KDD

Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection

面向欺诈检测的时序图原型条件共形预测

Xudong Chen, Shengbo Gong, Lu Cheng, Wei Jin

机构 * Emory University（埃默里大学） ； University of Illinois at Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 针对时序图边级欺诈检测中现有共形预测器预测集低效的问题，提出ProtoCP框架，通过原型和邻域相对得分机制优化校准，在四个基准上实现目标覆盖率且预测集更小。

Comments Accpeted by KDD 2026

Spectral Rank Certification for Foundation Model Adapters

基础模型适配器的谱秩验证

Mohammed Ahnouch, Lotfi Elaachak

机构 * Université Paris 1（巴黎第一大学） ； Faculty of Science and Technology of Tangier（丹吉尔科学与技术学院） ； Abdelmalek Essaadi University（阿卜杜勒-马利克·埃萨迪大学） 纠错

AI总结 本研究针对基础模型适配器开发有限样本谱秩验证框架，提出PEFT LoRA适配器的经验空工作流程，经26个公开适配器审计发现校准有效秩远小于名义秩，且能量保留与统计惊喜对应不同问题。

Comments 11 pages, 4 figures, KDD 2026 Workshop TensorKDD

Beyond Tokens: A Survey on Decoding Methods for Large Language and Vision-Language Models

超越令牌：大型语言与视觉-语言模型的解码方法综述

Haoran Wang, Xiongxiao Xu, Philip S. Yu, Kai Shu

机构 * Emory University（埃默里大学） ； Illinois Institute of Technology（伊利诺伊理工大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 该综述针对LLMs与LVLMs，梳理其解码方法的三种新兴范式，强调解码方法在确保模型输出与用户意图一致上的高效性，同时指出挑战并展望未来方向。

Comments ACM SIGKDD Explorations Newsletter, Volume 28, Issue 1

Coarse-to-Fine Multi-Resolution Diffusion Models for Trajectory Generation in Urban Systems

面向城市系统轨迹生成的粗到细多分辨率扩散模型

Wen Ye, Muyan Weng, Chuizheng Meng, Hao Niu, Yizhou Zhang, Yan Liu

机构 * University of Southern California（南加州大学） ； KDDI Research, Inc.（KDDI研究所） 纠错

AI总结 针对城市轨迹生成的隐私与多分辨率模式问题，提出MR-Traj多分辨率扩散框架，建模粗粒度里程碑与细粒度片段，在全局分布相当的同时提升细粒度性能并降低轨迹链接风险。

Comments 12 pages, 4 figures. Accepted to KDD 2026

Submodular Maximization under Supermodular Constraint: Greedy Guarantees

在超模约束下进行子模最大化：贪心保证

Ajitesh Srivastava, Shanghua Teng

AI总结 在超模约束下，通过贪心算法和二分查找实现子模函数最大化，提供双标准近似方法，优于其他贪心启发法。

Comments 12 pages, 6 figures. Fixed typos. Accepted at the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26) Fixed typos

FDABench: A Benchmark for Data Agents on Analytical Queries over Heterogeneous Data

FDABench：异构数据上分析查询的数据代理基准

Ziting Wang, Shize Zhang, Haitao Yuan, Jinwei Zhu, Wei Dong, Gao Cong

AI总结 提出FDABench基准，通过2007个任务覆盖六种数据模态，并设计PUDDING框架自动构建数据集，以评估数据代理在异构数据上的推理能力。

Comments Accepted to KDD'26