KDD

Benchmarking on Tasks That Matter: Dataset Selection for Preserving Model Rankings

对重要任务的基准测试：用于保持模型排名的数据集选择

Rostislav Gusev, Alexey Zaytsev

机构 * Applied AI Institute Moscow（莫斯科应用人工智能研究所） 纠错

AI总结 提出一个框架，通过评估不同选择策略如何保持全局模型排名，从大量数据集中选择代表性子集，并利用自举聚合提供置信区间。在时间序列分类和NLP基准上，简单策略如FAFI优于随机选择；在推荐系统中改进不显著。

Comments Accepted to the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

Deployment-Side Adaptiveness in Multi-Horizon Volatility Forecasting

多期波动率预测中的部署侧自适应性

Riku Green, Zahraa S. Abdallah, Telmo M Silva Filho

机构 * The University of Bristol（布里斯托大学） 纠错

AI总结 研究多期波动率预测中，通过改变推理时的展开规则来提升预测性能，发现验证集选择的部署策略能有效改善MIMO模型性能，且策略选择对评估指标敏感。

Comments Accepted for KDD 2026 Machine Learning in Finance Workshop

Learning Peer Influence Probabilities with Linear Contextual Bandits

使用线性上下文赌博机学习同伴影响概率

Ahmed Sayeed Faruk, Mohammad Shahverdikondori, Elena Zheleva

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） 纠错

AI总结 针对网络环境中同伴影响概率的异质性问题，提出基于线性上下文赌博机的在线学习框架，揭示遗憾最小化与估计误差之间的权衡，并设计可调参数的不确定性引导探索算法实现任意权衡点。

Journal ref In Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), August 09-13, 2026, Jeju Island, Republic of Korea. ACM, New York, NY, USA, 12 pages

Training-free Truthfulness Detection via Sparse MLP Value Vectors

基于稀疏MLP值向量的免训练真实性检测

Runheng Liu, Heyan Huang, Xingchen Xiao, Yanghao Zhou, Zhijing Wu

机构 * Beijing Institute of Technology（北京理工大学） 纠错

AI总结 提出TruthV方法，利用MLP值向量中稀疏子集的稳定方向性信号，无需训练即可检测LLM生成内容的真实性，在多个基准上超越现有免训练方法。

Comments KDD 2026 Oral