KDD

Targeted Label-Flipping and Oversampling Attacks on Federated Conditional GANs

针对联邦条件生成对抗网络的定向标签翻转与过采样攻击

Panav Shah, Avishek Ghosh

机构 * Indian Institute of Technology, Bombay（印度理工学院孟买分校） 纠错

AI总结 本研究针对联邦条件GAN，提出并验证了标签翻转及过采样变体攻击，发现其语义损害随中毒强度线性增长、分布偏差二次增长，攻击有效且难检测。

Comments 10 pages, 8 figures, FedKDD/FedMAS 2026 - KDD Workshop

Efficient Test-Time Scaling for LLM-based Time Series Forecasting

基于大语言模型的时间序列预测的高效测试时缩放

Xuan-May Le, Minh-Tuan Tran, Ling Luo, Uwe Aickelin, Dinh Phung, Trung Le

机构 * The University of Melbourne（墨尔本大学） ； Monash University（莫纳什大学） 纠错

AI总结 本研究提出 SCALER 框架，通过轻量 Transformer 预测未来粗粒度形状引导 LLM 迭代精调，在多类预测任务中优于基线且降低推理成本。

Comments Accepted at KDD 2026 (Oral)

TS-Arena -- A Live Forecast Pre-Registration Platform

TS-Arena -- 一个实时预测预注册平台

Marcel Meyer, Sascha Kaltenpoth, Henrik Albers, Kevin Zalipski, Oliver Müller

机构 * Paderborn University, Data Analytics Group（帕德博恩大学数据分析组） 纠错

AI总结 TS-Arena通过实时数据流预注册协议，防止信息泄露，提供更高效的预测模型评估框架，展示现有模型长期表现和新模型即时竞争力。

Journal ref KDD '26: Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2, pp. 9558 - 9568, 2026

iLTM: Integrated Large Tabular Model

iLTM：集成式大规模表格模型

David Bonet, Marçal Comajoan Cara, Alvaro Calafell, Daniel Mas Montserrat, Alexander G. Ioannidis

机构 * Stanford University（斯坦福大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, Berkeley（加州大学伯克利分校） ； École Polytechnique（巴黎高等理工学院） 纠错

AI总结 iLTM通过集成树派生嵌入、维度无关表示和超网络，提供了一个统一的表格学习框架，实现优于传统GBDT和深度表格模型的性能。

Comments Extended version of a paper accepted at KDD '26

Journal ref Proc. 32nd ACM SIGKDD Conf. on Knowledge Discovery and Data Mining, 2, 186-197 (2026)