KDD

CAAD: Causality-Aware Multivariate Time Series Anomaly Detection via Multi-Scale Alignment and Structural Causal Consistency

CAAD：通过多尺度对齐和结构因果一致性进行因果感知多变量时间序列异常检测

Xin Wang, Yunshi Wen, Yanan He, Haotian Xu, Youlan Zhao, Michel Ferreira Cardia Haddad, Tengfei Ma

机构 * Stony Brook University（纽约州立大学石溪分校） ； Rensselaer Polytechnic Institute（伦斯勒理工学院） ； Yale University（耶鲁大学） ； Queen Mary University of London（伦敦大学玛丽皇后学院） 纠错

AI总结 针对复杂工业系统异常检测中常忽略内部因果关系的问题，提出CAAD框架，通过外生变量持续验证格兰杰因果一致性，利用多尺度对齐和梯度矩阵监测因果关系，在真实工业数据集实验中实现高精度异常检测，优于多数基线方法。

Comments Accepted at KDD 2026 (Research Track)

Frequency-Domain Multi-Modality Transportation Modeling

频域多模态交通建模

Jiewen Deng, Hangchen Liu, Junchen Li, Boyuan Zhang, Renhe Jiang

机构 * Southern University of Science and Technology（南方科技大学） ； The University of Tokyo（东京大学） 纠错

AI总结 针对多模态交通预测难题，提出频域多模态建模FreMo，通过模态频域滤波器细化频谱、频率引导协同积分器聚合跨模态信息，实现自适应和选择性跨模态协同，实验证明其性能优于现有基线。

Comments Accepted by KDD 2026 Research Track

COBART: Controlled, Optimized, Bidirectional and Auto-Regressive Transformer for Ad Headline Generation

COBART：用于广告标题生成的可控、优化、双向和自回归变换器

Yashal Shakti Kanungo, Gyanendra Das, Pooja A, Sumit Negi

机构 * Amazon（亚马逊） 纠错

AI总结 研究针对广告标题生成难题，提出用前缀控制令牌结合BART微调的方法，可控制标题长度，适应不同格式与要求，实验显示该方法能提升Rouge-L和估计CTR，相比基线有显著提高。

Comments 10 pages, 5 figures, 5 tables. Published in Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '22). This is the author's accepted version; the definitive Version of Record is available at https://doi.org/10.1145/3534678.3539069

Journal ref Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '22), August 14-18, 2022, Washington, DC, USA, pp. 3127-3136

Aleena: Alignment Agent for Research Software Engineering Collaborations

Aleena：用于研究软件工程协作的对齐代理

Kshitij Dani, Cordero Core, Landung Setiawan, Carlos Garcia Jurado Suarez, Anshul Tambay, Vani Mandava, Anant Mittal

机构 * eScience Institute（eScience研究院） ； University of Washington（华盛顿大学） 纠错

AI总结 研究软件协作中决策易失依据致相关人员心智模型不同，提出智能AI可支持对齐与跟踪。介绍开源的Aleena，以GitHub为协作平台，转化交互为结构化记录，揭示风险等，还阐述其动机、设计、原型及场景。

Comments 8 pages, 5 figures. AgenticSE @ KDD '26: Agentic Software Engineering (SE 3.0): The Rise of AI Teammates, KDD 2026 Workshop

Equivariant Quantum Clustering with Differential Privacy: Parameter-Efficient Privacy-Preserving Analysis Across Heterogeneous Sensitive Datasets

具有差分隐私的等变量子聚类：跨异构敏感数据集的参数高效隐私保护分析

B. M. Taslimul Haq, Md Arifur Rahman, Tawfiq Al Islam Foysal, Abdullah Al Noman, Abir Ahmed

AI总结 研究如何在隐私保护下对异构敏感数据集进行聚类分析，提出等变量子聚类框架EQC，结合对称感知量子电路与差分隐私，采用p4m等变参数共享降复杂度，实验表明其在多个数据集上表现良好，为隐私保护聚类提供实用框架。

Comments 24 pages, 10+ tables, multiple figures, research article. Introduces Equivariant Quantum Clustering (EQC) integrating differential privacy with parameter-efficient quantum circuits for privacy-preserving clustering. Evaluated on NSL-KDD, CERT Insider Threat v6.2, and Synthetic MIMIC-III datasets

Journal ref Journal of AI ML DL, Vol. 1, No. 1, 2025, pp. 1-24

A Sliced-Wasserstein Framework on Correlation Matrices for EEG Decoding

用于脑电图解码的相关矩阵切片Wasserstein框架

Chen Hu, Rui Wang, Jiale Zhou, Jingjun Yi, Shaocheng Jin, Yidong Song, Yefeng Zheng

机构 * Westlake University（西湖大学） ； 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） ； Sun Yat-sen University（中山大学） 纠错

AI总结 提出基于拉回欧几里得度量的切片Wasserstein框架，实例化两种相关矩阵切片Wasserstein差异，并构建脑电图解码的域泛化方法，在三个数据集上验证了分布偏移下的泛化能力提升。

Comments Accepted by KDD 2026