KDD

AdaTKG: Adaptive Memory for Temporal Knowledge Graph Reasoning

AdaTKG: 用于时序知识图谱推理的自适应记忆

Seunghan Lee, Jun Seo, Jaehoon Lee, Sungdong Yoo, Minjae Kim, Tae Yoon Lim, Dongwan Kang, Hwanil Choi, SoonYoung Lee, Wonbin Ahn

机构 * LG AI Research（LG人工智能研究） 纠错

AI总结 提出AdaTKG，通过为每个实体维护自适应记忆，并采用可学习的指数移动平均更新，解决时序知识图谱中实体表示静态的问题，提升推理性能。

Comments KDD Workshop on Frontiers in Graph Machine Learning for the Large Model Era 2026 (Oral Presentation)

Generalizing GNNs with Tokenized Mixture of Experts

泛化GNN：基于令牌化的专家混合

Xiaoguang Guo, Zehong Wang, Jiazheng Li, Shawn Spitzel, Qi Yang, Kaize Ding, Jundong Li, Chuxu Zhang

机构 * University of Connecticut Storrs（康涅狄格大学斯特劳斯分校） ； University of Notre Dame（Notre Dame 大学） ； University of Virginia（弗吉尼亚大学） ； Northwestern University Evanston（北western 大学埃文斯顿分校） 纠错

AI总结 针对图神经网络部署时稳定性与泛化性的权衡，提出STEM-GNN框架，通过令牌化专家混合编码器、向量量化接口和Lipschitz正则化头实现三方面平衡，在多种分布偏移和扰动下提升鲁棒性。

Comments Accepted to KDD 2026

PCR-CA: Parallel Codebook Representations with Contrastive Alignment for Multiple-Category App Recommendation

PCR-CA: 基于对比对齐的并行码本表示用于多类别应用推荐

Bin Tan, Wangyao Ge, Yidi Wang, Xin Liu, Jeff Burtoft, Hao Fan, Hui Wang

机构 * Microsoft Suzhou China（微软苏州中国） ； Microsoft Beijing China（微软北京中国） ； Microsoft Redmond WA USA（微软雷德蒙德华盛顿州美国） 纠错

AI总结 提出PCR-CA框架，通过并行码本VQ-AE模块学习多类别应用的离散语义表示，结合对比对齐损失和双注意力融合，提升CTR预测，尤其对长尾应用效果显著。

Comments Accepted by KDD 2026, oral