KDD

Towards Robust EEG Decoding Based on Riemannian Self-Attention

基于黎曼自注意力的鲁棒脑电解码方法

Shaocheng Jin, Tao Zhou, Rui Wang, Ziheng Chen, Xiaoqing Luo, Xiaojun Wu, Josef Kittler

机构 * School of Artificial Intelligence and Computer Science（人工智能与计算机科学学院） ； Jiangnan University（江南大学） ； Department of Information Engineering and Computer Science（信息工程与计算机科学系） ； University of Trento（特伦托大学） ； Centre for Vision, Speech and Signal Processing (CVSSP)（视觉、语音与信号处理中心） ； University of Surrey（萨里大学） 纠错

AI总结 针对脑电解码中信号低信噪比和现有黎曼方法依赖特定度量的局限，提出基于Bures-Wasserstein度量的黎曼自注意力网络及其可推广版本GBWAtt，在三个数据集上验证了鲁棒性和有效性。

Comments Accepted by KDD 2026

EPTS: Elastic Post-Training Sparsity for Efficient Large Language Model Compression

EPTS：弹性后训练稀疏性用于高效大型语言模型压缩

Ke Xu, Jiaqi Wan, Wenhao Hu, Han Pu, Xiaoyun Wang

机构 * School of Artificial Intelligence（人工智能学院） ； Anhui University（安徽大学） ； School of Computer Science and Technology（计算机科学与技术学院） ； Tiangong University（天工大学） 纠错

AI总结 提出弹性后训练稀疏性（EPTS）框架，通过单次优化生成单一弹性模型，支持多种稀疏度配置，解决传统方法需为每个稀疏度单独优化的效率问题。

Comments KDD 2026

Extreme Meta-Classification for Large-Scale Zero-Shot Retrieval

大规模零样本检索的极端元分类

Sachin Yadav, Deepak Saini, Anirudh Buvanesh, Bhawna Paliwal, Kunal Dahiya, Siddarth Asokan, Yashoteja Prabhu, Jian Jiao, Manik Varma

机构 * Microsoft Research（微软研究院） ； Microsoft（微软） ； Indian Institute of Technology（印度理工学院） 纠错

AI总结 提出EMMETT框架和IRENE算法，通过为新颖项即时合成分类器，解决大规模零样本检索中模型容量与泛化能力的矛盾，在Recall@10上提升高达15%，并在实际广告检索中提升点击率4.2%。

Comments Accepted at KDD 2024, 20 pages

Journal ref Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, ACM, 2024

Operator Boosting Produces Pareto-Efficient PDE Surrogates

算子提升产生帕累托高效的PDE代理模型

Lennon J. Shikhman

机构 * College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院） ； Department of Mathematics and Systems Engineering, Florida Institute of Technology（佛罗里达理工学院数学与系统工程系） 纠错

AI总结 提出算子提升框架，通过残差学习直接构建紧凑神经算子代理，在30个数据集-架构对上平均准确率提升，参数量减少72-95%，并在多个PDE基准上实现帕累托改进。

Comments 11 pages, 3 figures, 3 tables. Submitted to ACM SIGKDD 2027 AI4Sciences Track

TASR: Training-Free Adaptive Stopping for Iterative Retrieval

TASR：无需训练的迭代检索自适应停止规则

Adrian Kieback, Uyiosa Philip Amadasun, Aman Chadha, Aaron Elkins

AI总结 提出TASR，一种无需训练的迭代检索停止规则，通过重复答案检测和逻辑回归边际阈值减少冗余检索，在多种配置下保持高F1值并降低调用次数。

Comments 20 pages, 5 figures. Accepted at Agent4IR Workshop, KDD 2026