KDD

Bradley-Terry Rankings for Recommender Systems Across Dataset Taxonomies

基于数据集分类学的推荐系统Bradley-Terry排名

Ekaterina Grishina, Stepan Kuznetsov, Askar Tsyganov, Ilya Ivanov, Daria Korovaitceva, Margarita Rusanova, Uliana Parkina, Alexander Derevyagin, Evgeny Frolov, Sergey Samsonov, Anton Lysenko

机构 * HSE University（俄罗斯莫斯科国立高等经济学院） 纠错

AI总结 针对推荐算法排名对数据集特性敏感的问题，提出基于Bradley-Terry模型的数据驱动排名方法，并引入排名一致性指标和针对未见数据集的算法排名方法。

Comments KDD'26

The Sim-to-Real Gap of Foundation Model Agents: A Unified MDP Perspective

基础模型智能体的仿真到现实差距：统一MDP视角

Xiaoou Liu, Tiejin Chen, Weibo Li, Xiyang Hu, Hua Wei

机构 * Arizona State University（亚利桑那州立大学） 纠错

AI总结 本文提出将基础模型智能体的评估与训练差距形式化为经典仿真到现实问题，围绕MDP四要素（观测、动作、转移、奖励）构建统一框架，并倡导采用域随机化等成熟解决方案。

Comments 7 pages, 2 figures, 2 tables. Accepted by KDD 2026 Blue Sky Ideas Track

VeriHGN: Heterogeneous Graph-Based Congestion Prediction for Chip Layout Verification

VeriHGN: 基于异构图的芯片布局验证中的拥堵预测

Runbang Hu, Bo Fang, Bingzhe Li, Yuede Ji

机构 * The University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

AI总结 本文提出VeriHGN框架，通过增强的异构图统一电路组件和空间网格，实现更准确的逻辑意图与物理实现的交互建模，提高了拥堵预测的准确性和相关性。

Comments Accpeted at KDD 2026

Understanding Generative Recommendation with Semantic IDs from a Model-scaling View

从模型扩展视角理解基于语义ID的生成式推荐

Jingzhe Liu, Liam Collins, Jiliang Tang, Tong Zhao, Neil Shah, Clark Mingxuan Ju

机构 * Michigan State University（密歇根州立大学） ； Snap Inc.（Snap公司） 纠错

AI总结 揭示基于语义ID的生成式推荐在模型扩展时存在性能瓶颈，发现直接使用大语言模型作为推荐器具有更好的扩展性，性能提升可达20%。

Comments Accepted by KDD 2026

Bounded-Abstention Pairwise Learning to Rank

有界弃权成对学习排序

Antonio Ferrara, Andrea Pugnana, Francesco Bonchi, Salvatore Ruggieri

机构 * Intesa Sanpaolo AI Research（Intesa Sanpaolo AI研究中心） ； University of Trento（特伦托大学） ； University of Pisa（比萨大学） 纠错

AI总结 提出一种基于条件风险阈值的成对排序弃权方法，理论刻画最优策略，设计模型无关的插件算法，实验验证有效性。

Comments KDD 2026