KDD

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

Tongzhou Yu, Mingjia Li, Hong Qian, Wenkai Wang, Zongbao Zhang, Yaoyu Jiang, Xiangfeng Wang, Aimin Zhou, Jiajun Guo

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） 纠错

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

Wenhao Mu, Facundo Yan, Anik Mumssen, Marisa Eisenberg, Alexander Rodríguez

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） 纠错

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

Marc Pinet, Julien Cumin, Samuel Berlemont, Dominique Vaufreydaz

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） 纠错

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

Yiqian Huang, Shiqi Zhang, Tianyuan Jin, Xiaokui Xiao

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

Gundeep Singh, Parsa Kavehzadeh, Jing Xia, Xue-Yong Fu, Julien Bouvier Tremblay, Md Tahmid Rahman Laskar, Vincent Lum, Shashi Bhushan TN

机构 * Dialpad Inc.（Dialpad公司） 纠错

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

Xueying Ding, Simon Klüttermann, Haomin Wen, Yilong Chen, Leman Akoglu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Technical University of Dortmund（多特蒙德技术大学） 纠错

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

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

Emily Sumner, Deepak E. Gopinath, Laporsha Dees, Patricio Reyes Gomez, Xiongyi Cui, Andrew Silva, Jean Costa, Allison Morgan, Mariah Schrum, Tiffany L. Chen, Avinash Balachandran, Guy Rosman

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） 纠错

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

Qize Jiang, Angelo Zangari, Linsey Pang, Alice Gatti, Mahima Aggarwal, Giovanna Vantini, Xiaosong Ma, Weiwei Sun, Sourav Medya, Sanjay Chawla

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） 纠错

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

Shengbo Gong, Mohammad Hashemi, Juntong Ni, Carl Yang, Wei Jin

机构 * Emory University（埃默里大学） 纠错

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