KDD

MirrorBench: A Benchmark to Evaluate Conversational User-Proxy Agents for Human-Likeness

MirrorBench: 一个评估对话用户代理人类化能力的基准测试

Ashutosh Hathidara, Julien Yu, Vaishali Senthil, Sebastian Schreiber, Anil Babu Ankisettipalli

机构 * SAP Labs（SAP实验室） 纠错

AI总结 本文提出MirrorBench基准测试，用于评估对话用户代理的人类化能力，通过结合多种词汇多样性指标和LLM评估指标，揭示用户代理与真实人类用户之间的系统性差距。

Comments KDD 2026 (Dataset & Benchmark Track)

When Offline Evaluation Misleads: A Diagnostic Protocol for Reward and Policy Selection in Delayed-Feedback Contextual Bandits

当离线评估产生误导时：延迟反馈情境多臂老虎机中奖励与策略选择的诊断协议

Sang Su Lee, Vineeth Loganathan, Shishir Dash, Vijay Raghavan

机构 * Thumbtack, Inc.（Thumbtack公司） 纠错

AI总结 针对延迟反馈情境多臂老虎机的奖励与策略选择，提出有序诊断协议，验证其有效性并揭示奖励排序易误导、个性化溢价易高估的结论。

Comments Accepted at the 5th Workshop on End-to-End Customer Journey Optimization (KDD 2026)

Certifying What Helps Customer-Return Timing: A Screen-and-Confirm Test for Conditioning Signals, and Why Decay Is Nearly Enough

验证什么有助于客户退货时机：一种针对条件信号的筛选与确认测试，以及为何衰减几乎足够

Sang Su Lee, Vineeth Loganathan, Shishir Dash, Vijay Raghavan

机构 * Thumbtack, Inc.（Thumbtack公司） 纠错

AI总结 本研究提出筛选与确认协议及无模型上限工具，验证了连续时间衰减几乎可满足客户退货时机预测，而额外添加的条件信号多为冗余或有害。

Comments Accepted at the 5th Workshop on End-to-End Customer Journey Optimization (KDD 2026)

Defending against Model Extraction for GNNs with Model Reprogramming

通过模型重编程防御图神经网络的模型提取攻击

Yan Wen, Zhenyi Wang, Heng Huang

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of Central Florida（中佛罗里达大学） 纠错

AI总结 针对图神经网络的模型提取攻击，提出主动防御框架GraphRP，通过结构感知门控机制构建动态结构防火墙，可显著降低攻击有效性且保留良性效用。

Comments Accepted by KDD 2026

Empowering Credit Risk Detection in Weixin Pay with Billion-Scale Deep Graph Learning

基于十亿级深度图学习增强微信支付的信用风险检测

Xin Liu, Xiyuan Chen, Chenglong Wu, Xuan Zong, Jun Zhou, Dawei Cheng

机构 * Tongji University（同济大学） ； Tencent Inc.（腾讯公司） 纠错

AI总结 该研究针对微信支付十亿级用户信用风险检测需求，提出风险感知重叠子图学习框架，解决工业级GNN拓扑完整性损失问题，实验显示其性能优于现有策略。

Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '26), pp. 7679-7690, 2026

Efficient and Joint Hyperparameter and Architecture Search for Collaborative Filtering

Yan Wen, Chen Gao, Lingling Yi, Liwei Qiu, Yaqing Wang, Yong Li

Comments Accepted by KDD 2023

Situation Graph Prediction for User Perspective Modeling

情境图预测：用户建模的结构化视角推断

Jisung Shin, Daniel Platnick, Marjan Alirezaie, Hossein Rahnama

机构 * Flybits Labs, Creative AI Hub（Flybits实验室、创意人工智能中心） ； University of Toronto（多伦多大学） ； Toronto Metropolitan University（多伦多 Metropolitan 大学） ； MIT Media Lab（MIT媒体实验室） 纠错

AI总结 情境图预测通过结构化视角推断提升用户建模能力，揭示潜在状态推断比表层提取更困难。

Comments Accepted to PILA 2026: Workshop on Personal Intelligence in the Agentic AI Era, at KDD 2026, 5 pages

Training Dense Retrievers with Multiple Positive Passages

利用多正例段落训练密集检索器

Benben Wang, Minghao Tang, Hengran Zhang, Jiafeng Guo, Keping Bi

AI总结 本文提出利用多正例段落训练检索器，通过统一对比学习框架分析不同优化目标，发现LSEPair在鲁棒性和性能上表现优异，同时揭示了不同目标对正样本质量的敏感性。

Comments Accepted by KDD 2026

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)

Retrieval-Constrained Policy Optimization for Attack Technique Extraction from Cyber Threat Intelligence

用于从网络威胁情报中提取攻击技术的检索约束策略优化

Jiayun Zhang, Junshen Xu, Zejun Xie, Yi Fan

AI总结 研究针对CTI文本提取MITRE ATT&CK技术的挑战，提出两阶段框架TTP-R1，在四个CTI基准测试中F1值最优，子技术级F1超带检索增强的Claude Sonnet 4.5且推理速度更快

Comments Accepted to the AI Agent for Information Retrieval (Agent4IR) Workshop at KDD 2026

Trustworthy Agent Network: Trust in Agent Networks Must Be Baked In, Not Bolted On

可信代理网络：在代理网络中，信任必须被内置，而非事后添加

Yixiang Yao, Yuhang Yao, Xinyi Fan, Jiechao Gao, Jie Wang, Minjia Zhang, Srivatsan Ravi, Carlee Joe-Wong

机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学） 纠错

AI总结 本文探讨了在代理网络中信任必须被内置而非事后添加的问题，提出了一个综合的概念框架，通过四个设计支柱来建立代理网络中的信任。

Comments Accepted at SIGKDD 2026 Blue Sky Ideas Track

MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms

MAC: 一个包含多种归因机制标签的转化率预测基准

Jinqi Wu, Sishuo Chen, Zhangming Chan, Yong Bai, Lei Zhang, Sheng Chen, Chenghuan Hou, Xiang-Rong Sheng, Han Zhu, Jian Xu, Bo Zheng, Chaoyou Fu

机构 * .1em blue n Nanjing University, Nanjing, China .1em purple a Taobao \& Tmall Group of Alibaba, Beijing, China ； .1em blue n Nanjing University, Nanjing, China ； .1em purple a Taobao \& Tmall Group of Alibaba, Beijing, China 纠错

AI总结 本文提出MAC基准和PyMAL库，通过多归因机制标签提升转化率预测性能，提出MoAE方法在多归因学习中取得显著效果。

Comments 11 pages, 5 figures. Updated to the camera-ready version published in the proceedings of KDD 2026. Code and data available at https://github.com/alimama-tech/PyMAL

Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '26), pp. 10009-10019, 2026

SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization

SAGEO Arena: 一个用于评估搜索增强生成引擎优化的现实环境

Sunghwan Kim, Wooseok Jeong, Serin Kim, Sangam Lee, Dongha Lee

机构 * Department of Artificial Intelligence Yonsei University Seoul Republic of Korea（人工智能系 韩国延世大学） ； Yonsei University（韩国延世大学） ； Konkuk University（韩国Konkuk大学） 纠错

AI总结 SAGEO Arena是一个用于评估搜索增强生成引擎优化的现实环境，通过整合生成搜索管道和结构信息，解决现有基准在端到端可见性评估和结构信息利用方面的不足。

Comments Accepted at KDD 2026

DREAM: LLM-based Dynamic Role-playing via Event-Aware Memory Graph

DREAM：基于大语言模型的事件感知记忆图动态角色扮演

Zhihao Xiao, Mengting Li, Xintao Wang, Linfeng Li, Limin Shui, Mengqi Ji, Borui Cai

机构 * Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院） ； School of Computer Science, Fudan University（复旦大学计算机科学技术学院） 纠错

AI总结 DREAM是一种受ABC认知模型启发的结构化记忆框架，通过EMG提升角色扮演智能体的时间与因果连贯性，在CoSER、LIFECHOICE和TCM上取得最优性能。

Comments Accepted at KDD 2026. Camera-ready version to appear. 16 pages, 5 figures

Continuous Improvement and Parallel Autonomous Exploration: An LLM-Agent Framework for Searching Large Solution Spaces

持续改进与并行自主探索：用于搜索大型解空间的大语言模型智能体框架

Dulmini Hettiarachchi, Andre Rusli, Julio Christian Young, Sho Akiyama

AI总结 该研究提出一种LLM智能体框架，含持续改进奖励循环与并行自主探索机制，在产品到目录匹配任务中，5个并行智能体的合格覆盖度较单智能体及基线显著提升。

Comments 5 pages, ACM KDD'26 Workshop on SciSoc Agents & LLMs

A More Accurate Algorithm Comparison through A/B Testing using Offline Evaluation Methods

通过离线评估方法的A/B测试实现更准确的算法比较

Koki Konishi, Masataka Ushiku, Yuta Saito

机构 * Hakuhodo DY Holdings Inc.（博报堂DY控股公司） ； Cornell University（康奈尔大学） 纠错

AI总结 揭示A/B测试可能比离线评估产生更高算法选择错误率的反直觉现象，提出通过引入假设中间算法并逐步估计性能差异来诱导正相关，从而减少关键选择错误。

Comments 13 pages, 10 figures. Accepted at KDD 2026; this version extends the camera-ready with additional experiments in Appendix B

MemNovo: Look Back at the Spectrum for Balanced De Novo Peptide Sequencing from Mass Spectrometry

MemNovo: 回顾谱图以实现质谱中平衡的从头肽段测序

Dongxin Lyu, Jingbo Zhou, Hongxin Xiang, Yuqiang Li, Jun Xia

机构 * Westlake University（西湖大学） ； Hunan University（湖南大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； HKUST-GZ & HKUST（香港科技大学（广州）与香港科技大学） 纠错

AI总结 针对现有Transformer模型在从头肽段测序中过度依赖生成序列先验而忽视谱图证据的问题，提出训练无关的即插即用机制MemNovo，通过建立持久谱记忆库和超保守残差连接在解码阶段注入谱特征，显著提升氨基酸和肽段精度。

Comments Code: https://github.com/AIMS-Lab-HKUSTGZ/MemNovo

Journal ref Knowledge Discovery and Data Mining(KDD), 2026

Spectral Integrated Gradients for Coarse-to-Fine Feature Attribution

基于谱积分梯度的粗到细特征归因

Soyeon Kim, Seongwoo Lim, Kyowoon Lee, Jaesik Choi

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； INEEJI Corp.（INEEJI公司） 纠错

AI总结 本文提出Spectral Integrated Gradients（SIG）方法，通过奇异值分解构建积分路径，以减少噪声并提高特征归因的准确性，优于传统路径基方法。

Comments 21 pages, 13 figures, 9 tables. Accepted to ACM KDD 2026; includes appendices

Less Traffic, Better Outcomes: Competition-Aware Request Dispatch in Real-Time Ad Exchanges

更少流量，更好结果：实时广告交易平台中感知竞争的请求调度

Jonaid Shianifar, Blaz Mramor, Fangda Zou, Matthieu C. Martin, Xingsheng Guo, Zhihua Zhu, Rong Zhou, Bichen Shi

AI总结 该研究针对实时广告交易平台请求过度分发的问题，提出感知竞争的请求调度框架，经在线实验验证可降低DSP请求量并提升净收入。

Comments Accepted for presentation at AdKDD 2026, the premier workshop on artificial intelligence for advertising, held in conjunction with the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

Traceable Multi-Agent System for Knowledge-Based Forecasting

用于基于知识的预测的可追踪多智能体系统

Junhyeok Kang, Sangjun Han, Hyeokjun Choe, Soonyoung Lee

AI总结 本文提出可追踪多智能体预测演示系统TraceMAS，通过两类因果环图关联证据与预测，在原油价格预测中验证其可让自主智能体兼顾灵活性与过程可检查性。

Comments Accepted at KDD 2026 Workshop on Enterprise AI Agents (Oral)

FakeI2V-Bench: Benchmarking the Applicability of Image-level Deepfake Detectors for Deepfake Video Detection

FakeI2V-Bench：评估图像级深度伪造检测器在深度伪造视频检测中的适用性

Pei Li, Sihan Chen, Delong Ran, Tianshuo Cong

AI总结 本研究构建FakeI2V-Bench基准，评估图像级深度伪造检测器在视频检测中的性能，提出IV-Bridge框架聚合帧级预测，使多数图像级检测器性能超越现有视频级方法，为相关研究提供基准与新方向。

Comments To Appear in KDD 2026, Jeju, Korea, August 9-13, 2026

GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling

GeoID-PINN：考虑地理耦合的可识别性感知区域流行病推断方法

Weixiong Hua, Fan Bu

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本研究提出GeoID-PINN，一种结合地理耦合与正则化的物理信息神经网络，用于区域流行病SIRD动力学推断，在模拟数据与路易斯安那州64个县COVID-19数据上均提升了预测准确性。

Comments 11 pages, 3 figures. Accepted at the 8th epiDAMIK ACM SIGKDD Workshop on Data-driven Decision Making for Public and Population Health (epiDAMIK @ KDD 2026)

Epistemic-aware Vision-Language Foundation Model for Fetal Ultrasound Interpretation

具备知识意识的视觉-语言基础模型用于胎儿超声解读

Xiao He, Huangxuan Zhao, Guojia Wan, Jiancheng Pan, Yanxing Liu, Yong Luo, Juhua Liu, Yongchao Xu, Wei Zhou, Dacheng Tao, Bo Du

机构 * National Engineering Research Center for Multimedia Software, School of Computer Science, Wuhan University（国家多媒体软件工程技术研究中心，武汉大学计算机学院） ； College of Computing and Data Science, Nanyang Technological University（computing and Data Science学院，南洋理工大学） 纠错

AI总结 FetalMind通过Salient Epistemic Disentanglement方法，提升胎儿超声解读的准确性和效率，实现多视图图像推理和疾病诊断的高效处理。

Comments KDD 2026

The Boy Who Cried Wolf: Adversarial Misclassification of Safe Inputs as Unsafe in Multimodal Guardrails

《狼来了：多模态安全护栏中安全输入被对抗性误分类为不安全》

Shuo Shi, Rui Yin, Naen Xu, Jiahao Chen, Chunyi Zhou, Tianyu Du, Zhihui Fu, Jun Wang, Zhaoxiang Wang, Shouling Ji

AI总结 该研究针对多模态安全护栏提出不安全诱导攻击，通过不安全语义蒸馏实现84%攻击成功率，揭示了当前多模态安全架构存在安全输入被误判为不安全的可用性漏洞。

Comments Accepted by KDD 2026

Collaborative Memory Augmentation for Generative Recommendation

用于生成式推荐的协同记忆增强

Enze Liu, Zhen Tian, Wayne Xin Zhao

AI总结 针对现有生成式推荐模型未利用跨用户协同信号的问题，提出OMEGA框架，通过潜在上下文压缩、协同记忆库与目标感知检索等机制，在多数据集上显著优于现有先进模型。

Comments Accepted by KDD 2026 Research Track

RH-RAG: Trustworthy Long-Form Generation for Privacy-Constrained Settings

RH-RAG：适用于隐私受限场景的可信长文本生成

Raj Shekhar Singh

机构 * Indian Institute of Technology, Roorkee（鲁尔基印度理工学院） 纠错

AI总结 该研究针对隐私受限场景下的长文本生成难题，提出基于本地语言模型的多智能体框架RH-RAG，通过三阶段协同生成与双层检索索引提升生成质量，且兼顾数据隐私。

Comments accepted in KDD 2026 SeT-LLM Workshop

Don't Offer What Can't Be Done: Deterministic Executability Gating for LLM Skill Selection at Scale

不要提供无法完成的任务：面向大规模LLM技能选择的确定性可执行性门控机制

Ortal Ashkenazi, Vitalii Kloz, Mykhailo Ulianchenko

机构 * Wix Israel（Wix以色列） ； Wix Ukraine（Wix乌克兰） 纠错

AI总结 该研究针对大规模LLM技能选择中不可执行技能的干扰问题，提出三阶段选择流水线，经生产分析和反事实测试，可大幅减少技能描述上下文并阻止不可执行技能影响模型选择。

Comments 7 pages, 3 figures. Preprint. Submitted to the ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2027), Applied Data Science Track; currently under review