KDD

DeGRe: Dense-supervised Generative Reranking for Recommendation

DeGRe: 密集监督的生成式重排序用于推荐

Chaotian Song, Jingyao Zhang, Chenghao Chen, Zisen Sang, Dehai Zhao, Guodong Cao, Boxi Wu, Deng Cai, Jia Jia

机构 * College of Software, Zhejiang University Hangzhou China ； Rajax Network Technology, Taobao Shangou of Alibaba Hangzhou China ； Rajax Network Technology, Taobao Shangou of Alibaba Beijing China ； State Key Lab of CAD\&CG, Zhejiang University Hangzhou China ； Rajax Network Technology, Taobao Shangou of Alibaba Shanghai China ； College of Software, Zhejiang University ； Rajax Network Technology, Taobao Shangou of Alibaba ； State Key Lab of CAD\&CG, Zhejiang University 纠错

AI总结 提出DeGRe框架，通过离线探索中的密集监督信号（Lookahead Evaluator）指导在线生成器（Online Generator）进行单步贪婪解码，解决重排序中的启发式标签偏差和信用分配问题。

Comments Accepted to KDD 2026 (ADS Track)

Learning Latent Dynamical Causal Processes for Single-Cell Perturbation Prediction

学习单细胞扰动预测的潜在动态因果过程

Wenkang Jiang, Yuhang Liu, Erdun Gao, Ehsan Abbasnejad, Lina Yao, Javen Qinfeng Shi

机构 * AIML, Adelaide University（AIML，阿德莱德大学） ； Responsible AI Research Centre（负责任人工智能研究中心） ； Monash University（莫纳什大学） ； University of New South Wales（新南威尔士大学） 纠错

AI总结 提出一种潜在动态因果生成模型（CITE-VAE），联合捕获潜在细胞程序、扰动条件机制和时间演化，实现单细胞扰动预测的分布外泛化。

Comments Accepted to SIGKDD 2026 AI4Science Track

BacktestBench: Benchmarking Large Language Models for Automated Quantitative Strategy Backtesting

BacktestBench：面向自动化量化策略回测的大语言模型基准测试

Zhensheng Wang, Wenmian Yang, Qingtai Wu, Lequan Ma, Yiquan Zhang, Weijia Jia

机构 * Beijing Normal University（北京师范大学） ； Elmleaf Ltd.（Elmleaf公司） 纠错

AI总结 提出首个大规模自动化量化回测基准BacktestBench，包含18,246个问答对，并设计多智能体基线AutoBacktest，通过协调摘要器、检索器和编码器实现自然语言策略到可重复回测的转换。

Comments This paper has been accepted by KDD 2026 (Datasets and Benchmarks Track)

Uncertainty-Calibrated Recommendations for Low-Active Users

低活跃用户的不确定性校准推荐

Bob Junyi Zou, Sai Li, Tianyun Sun, Wentao Guo, Qinglei Wang

机构 * Stanford University（斯坦福大学） ； ByteDance Inc.（字节跳动公司） 纠错

AI总结 提出一个生产就绪的框架，通过校准模型不确定性来为低活跃用户实施风险规避的去增强策略，为高活跃用户采用风险寻求的UCB策略，从而平衡推荐可靠性与多样性。

Comments Accepted to the Applied Data Science (ADS) track at the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

Journal ref 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

MindAdapter: Few-Shot Parameter-Efficient Residual Calibration of Cross-Subject Brain-to-Visual Decoding Models

MindAdapter: 跨被试脑到视觉解码模型的少样本参数高效残差校准

Jiaxiang Liu, Jiawei Du, Xupeng Chen, Guoqi Li, Jiang Cai, Simon Fong, Mingkun Xu

机构 * Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院） ； Agency for Science, Technology and Research（科技研究局） ； New York University（纽约大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系） 纠错

AI总结 提出MindAdapter框架，通过解耦的线性-残差级联对齐和拓扑锚定双流流形约束，实现跨被试脑到视觉解码的少样本参数高效校准。

Comments Accepted to KDD 2026 (AI4Sciences Track). 15 pages, 7 figures

VaaWIT: Visual-Aware Adaptation of Large Language Models for Multilingual Web Image Translation

VaaWIT: 面向多语言网页图像翻译的大语言模型视觉感知适配

Bo Li, Ronghao Chen, Ningyuan Deng, Huacan Wang, Shaolin Zhu, Lijie Wen

机构 * The Hong Kong University of Science（香港科技大学） ； Tianjin University（天津大学） ； Tsinghua University（清华大学） 纠错

AI总结 针对网页图像翻译中视觉表示差距问题，提出VaaWIT框架，通过双流注意力模块和视觉感知适配器，实现大语言模型对细粒度视觉特征的动态融合，在多个基准上超越开源模型并接近闭源模型性能。

Comments Accepted by KDD 2026

Rethinking Federated Unlearning via the Lens of Memorization

通过记忆视角重新思考联邦遗忘学习

Jiaheng Wei, Yanjun Zhang, He Zhang, Leo Yu Zhang, Chao Chen, Kok-Leong Ong, Jun Zhang, Yang Xiang

机构 * Royal Melbourne Institute of Technology（皇家墨尔本理工学院） ； Griffith University（格里菲斯大学） ； Swinburne University of Technology（斯威本理工大学） 纠错

AI总结 针对联邦学习中遗忘数据与保留数据重叠导致遗忘无效和客户端不公平的问题，提出基于分组记忆评估的联邦记忆剪枝方法，通过重置负责记忆的冗余参数实现高效遗忘。

Comments This paper has been accepted by SIGKDD 2026

NSR-Boost: A Neuro-Symbolic Residual Boosting Framework for Industrial Legacy Models

NSR-Boost：一种面向工业遗留模型的神经符号残差提升框架

Ziming Dai, Dabiao Ma, Jinle Tong, Mengyuan Han, Jian Yang, Hongtao Liu, Haojun Fei, Qing Yang

机构 * Tianjin University（天津大学） ； Qfin Holdings, Inc.（Qfin控股公司） 纠错

AI总结 针对工业遗留模型升级成本高、风险大的问题，提出非侵入式神经符号残差提升框架NSR-Boost，通过残差定位、LLM生成符号专家和轻量聚合器动态集成，显著提升性能并降低坏账率。

Comments Accepted by KDD 2026

Random-Access Ranked Retrieval and Similarity Search

随机访问排序检索与相似性搜索

Mohsen Dehghankar, Abolfazl Asudeh, Raghav Mittal, Suraj Shetiya, Gautam Das

AI总结 针对现代交互式数据系统中基于排序检索和相似性搜索的动态排序问题，提出随机访问扩展，通过基于几何排列和ε采样的算法实现对数查询时间与线性空间复杂度，并引入κ-随机访问排序检索的松弛变体及分层采样数据结构，在大规模高维数据上验证了高效性。

Comments Accepted at KDD'26

Entrywise Error Bounds for Spectral Ranking with Semi-Random Adversaries

半随机对抗下谱排序的逐项误差界

Dongmin Lee, Anuran Makur, Japneet Singh

机构 * Department of Computer Science（计算机科学系） ； Elmore Family School of Electrical and Computer Engineering（埃洛姆家族电子与计算机工程学院） ； Purdue University（普渡大学） 纠错

AI总结 研究半随机对抗下谱排序算法的逐项误差，通过重新加权边恢复谱间隙，实现接近均匀采样图的渐近性能。

Comments 17 pages, 2 figures, 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2

Debiased Negative Mining Improves Out-of-distribution Detection with Pre-trained Vision-Language Models

去偏负挖掘提升基于预训练视觉语言模型的分布外检测

Bo Peng, Jie Lu, Guangquan Zhang, Zhen Fang

机构 * University of Technology Sydney（悉尼科技大学） 纠错

AI总结 针对分布外检测中负标签的假阴性问题，提出通过间接近似负标签分布来校正采样偏差的理论框架，并转化为基于ID标签和未标注语料数据的蒙特卡洛采样方法，在多种OOD检测设置中达到新最优。

Comments KDD 2026

STM3: Mixture of Multiscale Mamba for Long-Term Spatio-Temporal Time-Series Prediction

STM3: 多尺度曼巴混合模型用于长期时空时间序列预测

Haolong Chen, Liang Zhang, Zhengyuan Xin, Guangxu Zhu

机构 * Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 提出STM3模型，通过多尺度曼巴架构和分离式混合专家框架高效捕获长期时空依赖，在10个基准数据集上达到最优性能。

Comments Accepted by KDD 2026

Speak-to-Structure: Evaluating LLMs in Open-domain Natural Language-Driven Molecule Generation

Speak-to-Structure：评估大语言模型在开放域自然语言驱动的分子生成中的表现

Jiatong Li, Junxian Li, Weida Wang, Yunqing Liu, Changmeng Zheng, Yatao Bian, Dongzhan Zhou, Xiao-yong Wei, Qing Li

机构 * Hong Kong Polytechnic University（香港理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Lab（上海人工智能实验室） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 提出Speak-to-Structure基准，通过分子编辑、优化和定制生成任务评估大语言模型在开放域自然语言驱动分子生成中的创造性能力，并引入OpenMolIns指令微调数据集使Llama3.1-8B超越GPT-4o等模型。

Comments Accepted by KDD 2026. Our codes and datasets are fully accessible through the https://github.com/phenixace/S2-TOMG-Bench and https://huggingface.co/datasets/phenixace/S2-TOMG-Bench

Expand More, Shrink Less: Shaping Effective-Rank Dynamics for Dense Scaling in Recommendation

扩展更多，收缩更少：塑造有效秩动态以实现推荐中的密集扩展

Guoming Li, Shangyu Zhang, Junwei Pan, Wentao Ning, Jin Chen, Gengsheng Xue, Chao Zhou, Shudong Huang, Haijie Gu, Menglin Yang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Tencent Inc.（腾讯公司） ； Tencent Inc. Shenzhen China（腾讯公司深圳中国） 纠错

AI总结 针对推荐模型扩展中的嵌入坍缩问题，提出RankElastor架构，通过参数化全混合和GLU改进的P-FFN模块缓解有效秩的阻尼振荡，提升表示表达能力并实现稳健扩展。

Comments Accepted at the 32st ACM SIGKDD Conference on Knowledge Discovery and Data Mining (Research Track), KDD 2026 February Cycle

Cross-Domain Molecular Relational Learning: Leveraging Chemical Structure-Activity Analysis

跨域分子关系学习：利用化学结构-活性分析

Peiliang Zhang, Jingling Yuan, Shiqing Wu, Mengqing Hu, Chao Che, Yongjun Zhu, Lin Li

机构 * Wuhan University of Technology（武汉理工大学） ； Yonsei University（延世大学） ； Hubei Key Laboratory of Transportation Internet of Things（湖北省交通运输物联网重点实验室） ； State Key Laboratory of Silicate Materials for Architectures（建筑硅酸盐材料国家重点实验室） ； City University of Macau（澳门城市大学） ； Kyung Hee University（庆熙大学） ； Dalian University（大连大学） 纠错

AI总结 提出域对抗训练网络与结构语义迁移差异（DisTrans），通过结构-活性分析优化分子结构与视觉图像的跨域自适应表示，在跨域分子关系学习中优于16种基线方法。

Comments Accepted by SIGKDD 2026 Research Track

PLACE: Prompt Learning for Attributed Community Search in Large Graphs

PLACE：面向大规模图属性社区搜索的提示学习

Shuheng Fang, Kangfei Zhao, Rener Zhang, Yu Rong, Jeffrey Xu Yu

机构 * Shenzhen Institute of Computing Sciences（深圳计算科学研究院） ； Beijing Institute of Technology（北京理工大学） ； Chinese University of Hong Kong（香港中文大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） 纠错

AI总结 提出PLACE框架，利用图提示学习通过结构化和可学习提示令牌增强GNN，以识别与查询相关的结构凝聚性和属性相似性模式，并在9个真实图上平均F1分数提升22%。

Comments 14 pages, 9 figures

Journal ref KDD 2026

Spectral-inspired Operator Learning with Limited Data and Unknown Physics

光谱启发的少数据与未知物理下的算子学习

Han Wan, Rui Zhang, Hao Sun

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学光明学院人工智能学院） 纠错

AI总结 提出光谱启发神经算子（SINO），通过从频率索引自动捕获局部和全局空间导数，仅需2-5条轨迹即可建模复杂系统，无需显式PDE项，在2D和3D PDE基准上实现1-2个数量级的精度提升。

Comments To appear in KDD 2026

Integrating Chain-of-Thought into Generative Retrieval: A Preliminary Study

将链式思维整合到生成检索中：一项初步研究

Wenhao Zhang, Ruihao Yu, Yi Bai, Zhumin Chen, Pengjie Ren

AI总结 本文提出ThinkGR框架，通过将链式思维与文档ID生成相结合，提升生成检索在复杂查询中的表现，实验表明其在多跳检索基准上平均提升6.86%。

Comments This work was initially submitted to kdd 2026 in August 2025

CoFEH: LLM-driven Feature Engineering Empowered by Collaborative Bayesian Hyperparameter Optimization

CoFEH: 由协作贝叶斯超参数优化赋能的LLM驱动特征工程

Beicheng Xu, Keyao Ding, Wei Liu, Yupeng Lu, Bin Cui

机构 * School of CS \& Key Lab of High Confidence Software Technologies (MOE), Peking University Beijing China ； School of CS \& Beijing Key Laboratory of Software ； Hardware Cooperative Artificial Intelligence Systems, Peking University Beijing China ； School of CS \& Key Lab of High Confidence Software Technologies (MOE), Peking University ； Hardware Cooperative Artificial Intelligence Systems, Peking University 纠错

AI总结 本文提出CoFEH框架，通过结合LLM驱动的特征工程和贝叶斯超参数优化，实现鲁棒的端到端AutoML，解决了传统方法在搜索空间刚性和缺乏领域意识的问题，并引入互条件机制提升FE与HPO的协同效果。

Comments Accepted at KDD 2026. Extended version with full appendices

Learning Emergent Modular Representations in Multi-modality Medical Vision Foundation Models

在多模态医学视觉基础模型中学习涌现的模块化表示

Yuting He, Chenyu You, Shuo Li

机构 * Case Western Reserve University（凯斯西储大学） ； Stony Brook University（石溪大学） 纠错

AI总结 本文提出Director-Experts (DEX)框架，通过调控模块化动态，在多模态医学视觉基础模型中学习稳定的模块化表示，并在新的医学视觉基准数据集上验证了其在26个下游任务中的优越性。

Comments Accepted by KDD 2026

Beyond Benchmark Islands: Toward Representative Trustworthiness Evaluation for Agentic AI

超越基准岛屿：面向代理AI的代表性可信度评估

Jinhu Qi, Yifan Li, Minghao Zhao, Wentao Zhang, Zijian Zhang, Yaoman Li, Irwin King

机构 * The Chinese University of Hong Kong（香港中文大学） ； Macao Polytechnic University（澳门理工学院） ； Jilin University（吉林大学） 纠错

AI总结 本文提出了一种基于五属性的代理可信度定义，并引入了Holographic Agent Assessment Framework（HAAF）框架，通过场景 manifold 的静态策略分析、沙盒模拟、社会伦理对齐评估和分布感知采样，实现对代理系统在社会技术场景中的可信度评估，展示了其在13个模型家族上的跨家族迁移实验结果。

Comments 9 pages, 3 figures, 8 tables. Submitted to the Agent4IR Workshop at KDD 2026

FD-Bench: A Modular and Fair Benchmark for Data-driven Fluid Simulation

FD-Bench: 一种模块化且公平的用于数据驱动流体模拟的基准测试

Haixin Wang, Ruoyan Li, Fred Xu, Fang Sun, Kaiqiao Han, Zijie Huang, Ching Chang, Xiao Luo, Wei Wang, Yizhou Sun

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Meta ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出FD-Bench，一个模块化、公平、全面且可重复的数据驱动流体模拟基准测试，通过统一的实验设置评估85个基线模型，解决可重复性和可比性问题，为未来数据驱动流体模型的稳健评估奠定基础。

Comments 32 pages, 20 figures, paper accepted by KDD 2026

Towards Resilient and Autonomous Networks: A BlueSky Vision on AI-Native 6G

迈向稳健和自主的网络：AI原生6G的BlueSky愿景

Liang Wu, Kelly Wan, Mayank Darbari, Liangjie Hong

机构 * Nokia（诺基亚） 纠错

AI总结 本文提出了一种AI原生6G的BlueSky愿景，旨在将人工智能原生整合到6G中，从'为AI的网络'转向'为网络的AI'，通过基础模型和协作多智能体系统，将网络管理转化为统一的多模态多任务优化问题，推动6G向智能自维持通信基础设施发展。

Comments Accepted at KDD 2026

HDMoE: A Hierarchical Decoupling-Fusion Mixture-of-Experts Framework for Multimodal Cancer Survival Prediction

HDMoE：一种用于多模态癌症生存预测的分层解耦-融合专家混合框架

Huayi Wang, Haochao Ying, Yuyang Xu, Qiyao Zheng, jun wang, Cheng Zhang, Ying Sun, Jian Wu

机构 * Zhejiang University（浙江大学） ； Xinjiang University（新疆大学） ； Hangzhou City University（杭州市大学） ； Sun Yat-sen University Cancer Center（中山大学肿瘤中心） 纠错

AI总结 本文提出HDMoE框架，通过分层解耦-融合专家混合方法，有效整合多模态医学数据以提高癌症生存预测的准确性，解决了传统方法中特征解耦和融合效果不佳的问题。

Comments 12 pages, HDMoE has been accepted by KDD 2026 AI for Sciences Track

ShadeBench: A Benchmark Dataset for Building Shade Simulation in Sustainable Society

ShadeBench: 一个用于可持续社会建筑阴影模拟的基准数据集

Longchao Da, Mithun Shivakoti, Xiangrui Liu, T Pranav Kutralingam, Yezhou Yang, Hua Wei

机构 * School of Computing and Augmented Intelligence, Arizona State University（计算与增强智能学院，亚利桑那州立大学） ； Global Futures Laboratory, Arizona State University（全球未来实验室，亚利桑那州立大学） 纠错

AI总结 本文提出ShadeBench，一个用于城市阴影理解的综合数据集和基准，通过多模态数据支持阴影生成、分割和3D建筑重建，并提供标准化评估协议和基线方法，为数据驱动的城市气候研究和热适应城市规划提供基础。

Comments 12 pages, 13 figures, 2 tables. Accepted by KDD 2026 AI for Sciences Track

m3BERT: A Modern, Multi-lingual, Matryoshka Bidirectional Encoder

m3BERT: 一种现代的、多语言的、俄罗斯套娃双向编码器

Yaoxiang Wang, Simiao Zuo, Qingguo Hu, Yucheng Ding, Yeyun Gong, Jian Jiao, Jinsong Su

机构 * Xiamen University（厦门大学） ； Microsoft（微软公司） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出m3BERT，一种现代多语言俄罗斯套娃双向编码器，通过联合优化Transformer层和多维嵌入表示，解决现有预训练模型在不同部署场景中适应性差的问题，展示了其在工业检索中的高效性和实用性。

Comments KDD 2026

Are Rationales Necessary and Sufficient? Tuning LLMs for Explainable Misinformation Detection

理性是否必要且充分？为可解释的虚假信息检测调优大语言模型

Bing Wang, Rui Miao, Ximing Li, Chen Shen, Shaotian Yan, Changchun Li, Kaiyuan Liu, Xiaosong Yuan, Jieping Ye

机构 * College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； Tongyi Lab, Alibaba Group（阿里云实验室） ； School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） 纠错

AI总结 本文研究了如何通过调优大语言模型（LLM）来提升可解释性虚假信息检测的性能，提出了一种新的数据合成管道LONSREX，用于定位必要且充分的理性，以解决现有方法中因粗粒度标签和过度验证行为导致的理性不足和冗余问题。

Comments Accepted by KDD 2026. 12 pages, 8 figures. Code: https://github.com/wangbing1416/LONSREX

DSPR: Dual-Stream Physics-Residual Networks for Trustworthy Industrial Time Series Forecasting

DSPR：双流物理残差网络用于可信的工业时间序列预测

Yeran Zhang, Pengwei Yang, Guoqing Wang, Tianyu Li

机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； Research Center, East Hope Group Co., Ltd（东希望集团有限公司研究院） 纠错

AI总结 本文提出DSPR框架，通过分离稳定的时序模式与受制度影响的残差动态，提升工业时间序列预测的准确性与物理合理性，实验表明其在不同制度下均能保持高预测精度和鲁棒性。

Comments 12 pages, 7 figures, accepted by KDD 2026

scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement

scHelix: 通过显式基因层面解缠实现非对称双流整合

Xichen Yan, Zelin Zang, Changxi Chi, Jingbo Zhou, Chang Yu, Jinlin Wu, Shenghui Cheng, Fuji Yang, Jiebo Luo, Zhen Lei, Stan Z. Li

机构 * Jinan University（济南大学） ； Westlake University（西湖大学） 纠错

AI总结 scHelix通过显式基因层面解缠实现非对称双流整合，解决单细胞RNA测序数据整合中消除批次效应与保持生物学忠实性之间的矛盾，通过双流稀疏扩散编码器和非对称对齐-细化-融合协议提升整合效果。

Comments 17 pages, 8 figures, accepted by KDD 26

SENSE: Satellite-based ENergy Synthesis for Sustainable Environment

SENSE: 基于卫星的能源合成以实现可持续环境

Kailai Sun, Mingyi He, Heye Huang, Can Rong, Alok Prakash, Baoshen Guo, Shenhao Wang, Jinhua Zhao

机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Florida（佛罗里达大学） 纠错

AI总结 本文提出SENSE，一种统一的生成性城市建筑能耗框架，通过结合生成扩散模型和大规模视觉模型知识，生成高分辨率的城市卫星图像和对齐的高质量建筑能耗和高度地图，以提高城市可持续发展预测性能。

Comments Accpted by KDD 2026 (Oral)