OneRank: Unified Transformer-Native Ranking Architecture for Multi-Task Recommendation
OneRank: 面向多任务推荐的统一Transformer原生排序架构
AI总结 提出OneRank，一种Transformer原生多任务排序框架，通过消除编码器-预测器分离并引入任务私有通道，实现任务专用学习并减少干扰，显著提升多任务推荐性能。
Comments KDD 2026 Accepted
期刊&会议
KDD
ACM SIGKDD Conference on Knowledge Discovery and Data Mining · 会议 · Data Mining
UrbanWell: Benchmarking Multimodal Large Language Models for Spatio-Temporal Urban Wellbeing Analytics
UrbanWell: 面向时空城市福祉分析的多模态大语言模型基准测试
机构 * University of Helsinki（赫尔辛基大学） ； Zhongguancun Academy（中关村学院） ； University of Oxford（牛津大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 提出UrbanWell基准，通过卫星和街景图像联合建模，系统评估多模态大语言模型在环境、空间可达性、城市形态、活力和主观感知等5类城市福祉指标上的时空推理能力，并定义时序预测和趋势分类任务。
Comments accepted by KDD Datasets and Benchmarks Track 2026
One Sequential Recommendation Model Pretrained from Synthetic Priors Predicts Multiple Datasets
一个从合成先验预训练的序列推荐模型可预测多个数据集
AI总结 提出SRPFN，一种基于先验数据拟合网络的序列推荐模型，通过离线预训练于合成先验序列，无需目标域梯度更新即可进行单次前向预测，在多个基准上达到最优或次优性能。
Comments Accepted at the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)
CAP: Towards PPG Universal Representation Learning with Patient-level Supervision
CAP：面向患者级监督的PPG通用表示学习
机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Peking University（北京大学） ； Independent Researcher（独立研究者） ； Jinling Clinical Medical College College of Artificial Intelligence Nanjing University of Aeronautics and Astronautics（金陵临床医学院人工智能学院南京航空航天大学）
AI总结 提出CAP方法，通过构建大规模PPG-EHR多模态数据集和跨模态对比对齐，学习患者级临床语义的PPG表示，在四项下游任务中平均提升26.7%，呼吸率预测提升87.6%。
Comments Accepted as an Oral presentation at KDD 2026
Building Customer Support AI Agents at 100M-User Scale: An Evaluation-Driven Framework
构建面向1亿用户规模的客户支持AI代理：一种评估驱动的框架
机构 * Nubank
AI总结 提出一个统一框架，通过评估驱动开发、上下文工程、人工循环提示迭代和LLM评判一致性优化，在Nubank的100M+用户规模下实现客户支持AI代理的离线开发与在线效果桥接，并在五个生产部署中验证了离线指标与在线结果的高度相关性。
Comments 12 pages. Accepted to KDD '26 (32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining)
DEFINED: A Data-Efficient Computational Framework for Fine-Grained Creativity Assessment in Debate Scenarios
DEFINED: 辩论场景中细粒度创造力评估的数据高效计算框架
机构 * Nanjing University（南京大学） ； Shanghai Innovation Institute（上海创新研究院） ； East China Normal University（华东师范大学）
AI总结 提出DEFINED框架，通过层次化八维指标体系、预训练语言模型和混合粒度训练策略，在辩论场景中实现数据高效的细粒度创造力自动评估，优于现有方法。
Comments Accepted by KDD 2026
Benchmarking Counterfactual Prediction in Epidemic Time Series with Time-Varying Interventions
具有时变干预的流行病时间序列中的反事实预测基准测试
机构 * University of Michigan Computer Science and Engineering（密歇根大学计算机科学与工程系） ； University of Michigan Epidemiology & Complex Systems（密歇根大学流行病学与复杂系统）
AI总结 为解决缺乏可观测反事实结果的真实基准问题，基于校准的基于智能体的模型生成大规模流行病时间序列反事实预测基准，支持静态/时变治疗和单/多策略干预，评估多种因果推断方法。
Comments To appear in Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)
Anomalies in Multivariate Time Series Benchmarks Are Mostly Univariate
多变量时间序列基准中的异常主要是单变量的
机构 * Orange Research（Orange研究院） ； Univ. Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、CNRS、格勒诺布尔INP、LIG）
AI总结 本文通过诊断框架和实验证明，当前多变量时间序列异常检测基准中，异常主要源于单变量偏离，跨通道结构变化极少，因此现有基准不适合验证跨通道建模能力。
Comments Accepted at the 12th International Workshop on Mining and Learning from Time Series (MiLeTS), co-located with KDD 2026
SCOPE: Cost-Efficient Model Selection for Compound AI Systems under Quality Constraints
SCOPE: 质量约束下复合AI系统的成本高效模型选择
AI总结 针对复合AI系统中各模块LLM选择问题，提出SCOPE算法，通过利用每查询结果估计成本和质量，构建置信界指导搜索，在满足质量阈值下最小化平均成本，理论保证质量达标和成本近似最优。
Comments Technical report for the paper accepted at KDD 2026
Beyond Text-to-SQL: An Agentic LLM System for Governed Enterprise Analytics APIs
超越文本到SQL：一个面向受控企业分析API的代理LLM系统
机构 * Dialpad Inc.（Dialpad公司）
AI总结 本文提出Analytic Agent，一个基于LLM的代理系统，能够将自然语言意图安全地转换为与企业分析API的交互，解决传统文本到SQL系统在企业环境中面临的可靠性与合规性问题。
Comments Accepted to the Enterprise AI Agents Workshop @ KDD 2026. The first four authors contributed equally to this work
MacrOData: New Benchmarks of Thousands of Datasets for Tabular Outlier Detection
MacrOData：用于表格异常检测的数千个数据集的新基准
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Technical University of Dortmund（多特蒙德技术大学）
AI总结 提出大规模表格异常检测基准MacrOData，包含2446个数据集，覆盖真实与合成异常，支持全面鲁棒的评估。
Comments 29 pages, KDD 2026
TaoSR1: The Thinking Model for E-commerce Relevance Search
TaoSR1：电商相关性搜索的思考模型
机构 * Taobao & Tmall Group of Alibaba（淘宝与天猫集团）
AI总结 本文提出TaoSR1框架，通过CoT引导的监督微调、离线采样与DPO优化，解决电商搜索中相关性预测的推理误差与幻觉问题，实现高效部署。
Journal ref KDD '26: Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2, 2026
Online Domain-aware LLM Decoding for Continual Domain Evolution
在线领域感知的LLM解码用于持续领域演变
机构 * University of North Texas（北卡罗来纳州立大学）
AI总结 本文提出在线领域感知解码框架ODD，通过概率融合和自适应置信度调节，提升LLM在持续领域变化中的适应能力，实验表明其在语法和语义生成任务中表现优异。
Journal ref Advances in Knowledge Discovery and Data Mining, PAKDD 2026, LNAI 16600, pp. 565-577, Springer, 2026
SimCoachCorpus: A naturalistic dataset with language and trajectories for embodied teaching
SimCoachCorpus：一个包含语言和轨迹的自然主义数据集，用于具身教学
机构 * Toyota Research Institute（丰田研究院） ； Cambridge, MA 02139（马萨诸塞州剑桥市02139） ； Los Altos, CA 94022（加州洛斯阿尔托斯94022）
AI总结 为填补具身交互领域中语言与物理动作结合的数据集空白，我们构建了SimCoachCorpus，包含29名受试者在赛车模拟器中的驾驶数据（15名有教练指导，14名无指导），同步记录车辆状态、教练反馈及认知负荷等，可用于研究运动学习、语言现象及训练教学模型。
Comments This is an extended version of a paper accepted to KDD Datasets & Benchmarks Track 2026
RIDGECUT: Learning Graph Partitioning with Rings and Wedges
RIDGECUT：基于环与楔形结构的图分割学习
机构 * College of Computer Science and Artificial Intelligence, Shanghai Key Laboratory of Data Science（计算机科学与人工智能学院，上海数据科学重点实验室） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； PayPal Inc.（PayPal公司） ； Center for AI Safety（人工智能安全中心） ； Qatar Computing Research Institute（卡塔尔计算研究所） ； Hamad Bin Khalifa University（哈马德·本·卡西姆大学） ； Computing and Mathematical Sciences (CMS) Division（计算与数学科学（CMS）部门） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（Mohamed bin Zayed人工智能大学（MBZUAI）） ； Fudan University（复旦大学）
AI总结 提出RidgeCut框架，通过将动作空间约束为环与楔形结构，利用强化学习解决归一化割问题，在交通网络上实现结构感知分割，降低归一化割值并展现强泛化能力。
Comments Extended version of the paper accepted at KDD 2026
Scalable Graph Condensation with Evolving Capabilities
具有演化能力的可扩展图压缩
机构 * Emory University（埃默里大学）
AI总结 提出GECC框架，通过类级聚类和继承先前压缩结果，实现大规模动态图数据的可扩展压缩，性能优于现有方法且加速约1000倍。
Comments 19 pages, 8 figures
Journal ref Page 314-323, Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1, 2026
