KDD

TeleCom-Bench: How Far Are Large Language Models from Industrial Telecommunication Applications?

TeleCom-Bench: 大型语言模型在工业电信应用中还有多远？

Jieting Xiao, Yun Lin, Huizhen Qiu, Rui Ma, Chen Zhong, Dongyang Xu, Xiao Long, Chaoyu Zhang, Qiaobo Hao, Ding Zou, Zhiguo Yang, Yanqin Gao, Fang Tan

机构 * ZTE Corporation（中兴通讯） 纠错

AI总结 本文提出TeleCom-Bench，一个包含12个评估集和22678个精选样本的全面基准，旨在评估大型语言模型在电信领域的综合能力，揭示其在工业流程中的执行能力缺口。

Comments Accepted by KDD 2026

Towards Universal Spatial Transcriptomics Super-Resolution: A Generalist Physically Consistent Flow Matching Framework

迈向通用空间转录组超分辨率：一种通用的物理一致流匹配框架

Xinlei Huang, Weihao Dai, Zijun Qin, Xin Yu, Di Wang, Yanran Liu, Lixin Cheng, Xubin Zheng

AI总结 本文提出SRast框架，通过策略性解耦架构和物理先验，解决空间转录组超分辨率中的异质性和物理一致性问题，实现跨物种、组织和平台的高超分辨率性能。

Journal ref SIGKDD 2026

S$^2$GR: Stepwise Semantic-Guided Reasoning in Latent Space for Generative Recommendation

S$^2$GR: 潜在空间中基于分步语义引导的生成推荐

Zihao Guo, Jian Wang, Ruxin Zhou, Youhua Liu, Jiawei Guo, Jun Zhao, Xiaoxiao Xu, Yongqi Liu, Kaiqiao Zhan

AI总结 本文提出S$^2$GR框架，通过在生成SID代码前插入思考令牌，建立稳健的语义基础，提升生成推荐的推理能力与性能。

Comments Accepted by KDD 2026

Text-Guided Visual Representation Learning for Robust Multimodal E-Commerce Recommendation

基于文本引导的视觉表示学习用于鲁棒的多模态电子商务推荐

Yufei Guo, Jing Ma, Tianlu Zhang, Shijie Yang, Yanlong Zang, Weijie Ding, Pinghua Gong, Jungong Han

AI总结 本文提出Text-Guided Q-Former框架，通过结构化元数据指导视觉令牌提取，提升多模态检索的鲁棒性，实验表明其在电子商务数据集上显著提升了检索性能。

Comments 12 pages, 5 figures. Accepted to the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026). Pre-camera-ready version

Invariant-Stratified Propagation for Expressive Graph Neural Networks

不变量分层传播用于表达性图神经网络

Asela Hevapathige, Ahad N. Zehmakan, Asiri Wijesinghe, Saman Halgamuge

机构 * Department of Mechanical Engineering University of Melbourne（墨尔本大学机械工程系） ； School of Computing Australian National University（澳大利亚国立大学计算机学院） 纠错

AI总结 本文提出不变量分层传播框架，通过改进的WL变体和高效神经网络实现，提升图神经网络的表达能力，解决结构异质性捕捉问题。

Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

AdaGraph: A Graph-Native Clustering Algorithm That Overcomes the Curse of Dimensionality and Enables Scientific Discovery

AdaGraph：一种克服维度诅咒并促进科学发现的图原生聚类算法

Ahmed Elmahdi

机构 * Independent Researcher（独立研究者） 纠错

AI总结 AdaGraph是一种基于图的聚类算法，通过结构导向的计算方法克服维度诅咒，其在10个合成数据集上表现优异，且在基因表达、文本聚类和材料科学领域实现了科学发现。

Comments 12 pages, 4 figures, 1 table. Full paper in preparation for KDD 2027

Learning Multimodal Embeddings for Traffic Accident Prediction and Causal Estimation

学习多模态嵌入用于交通事故预测和因果估计

Ziniu Zhang, Minxuan Duan, Haris N. Koutsopoulos, Hongyang R. Zhang

机构 * Northeastern University（东北大学） 纠错

AI总结 本文通过结合道路网络数据与卫星图像，提出多模态学习方法，提升交通事故预测精度，并发现降水、高速道路和季节因素对事故率的影响。

Comments 17 pages. Appeared in KDD 2026

Topological Data Analysis Applications in Natural Language Processing: A Survey

自然语言处理中拓扑数据分析应用：综述

Adaku Uchendu, Thai Le

AI总结 本文综述了拓扑数据分析在自然语言处理中的应用，探讨了理论与非理论方法，分析了其在数据结构重要性场景中的作用及面临的挑战。

Comments Accepted to ACM SIGKDD Explorations Journal 2026

Agent-Diff: Benchmarking LLM Agents on Enterprise API Tasks via Code Execution with State-Diff-Based Evaluation

Agent-Diff：通过代码执行基于状态差的评估来基准测试LLM代理在企业API任务上的表现

Hubert M. Pysklo, Artem Zhuravel, Patrick D. Watson

机构 * Minerva University（Minerva大学） 纠错

AI总结 本文提出Agent-Diff框架，通过代码执行和基于状态差的评估，评估LLM代理在企业API任务中的性能，提供了九个LLM在224个任务上的基准测试，并通过消融实验评估框架的鲁棒性。

Comments Pre-Print. Under review for KDD 2026

Can-SAVE: Deploying Low-Cost and Population-Scale Cancer Screening via Survival Analysis Variables and EHR

Can-SAVE：通过生存分析变量和电子健康记录进行低成本和大规模癌症筛查

Petr Philonenko, Vladimir Kokh, Pavel Blinov

机构 * Sber AI Lab（Sber人工智能实验室） 纠错

AI总结 Can-SAVE利用生存分析变量和电子健康记录，开发出一种轻量级AI系统，通过医疗历史事件评估大规模人群癌症风险，实现高效癌症筛查。

Comments Accepted to the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

Journal ref Proc. 32nd ACM SIGKDD Conf. on Knowledge Discovery and Data Mining (KDD '26), 2026, 11 pages

Isotonic Layer: A Unified Framework for Recommendation Calibration and Debiasing

单调层：推荐系统校准与去偏的统一框架

Hailing Cheng, Yafang Yang, Hemeng Tao, Fengyu Zhang

机构 * Linkedin Inc（LinkedIn公司） 纠错

AI总结 本文提出单调层，通过统一校准与去偏问题，减少基础设施复杂性，提升预测准确性和排名一致性。

Comments 8 pages, 5 figures, submitted to KDD 2026

End-to-End Learning for Partially-Observed Time Series with PyPOTS

针对部分观测时间序列的端到端学习与PyPOTS

Wenjie Du, Yiyuan Yang, Tianxiang Zhan, Qingsong Wen

机构 * PyPOTS Research（PyPOTS研究） 纠错

AI总结 本文介绍PyPOTS，一个用于部分观测时间序列的端到端数据挖掘和机器学习工具，涵盖缺失值处理、预处理、模型训练与评估，提升可重复性和性能。

Comments Accepted by KDD 2026

Expander Hierarchies for Normalized Cuts on Graphs

图的归一化割的扩张层次结构

Kathrin Hanauer, Monika Henzinger, Robin Münk, Harald Räcke, Maximilian Vötsch

机构 * University of Vienna（维也纳大学） ； Institute of Science and Technology Austria (ISTA)（奥地利科学与技术研究院） ； Technical University of Munich（慕尼黑技术大学） ； University of Vienna Faculty of Computer Science（维也纳大学计算机科学系） ； UniVie Doctoral School Computer Science DoCS（维也纳大学计算机科学博士学院） 纠错

AI总结 本文提出一种高效的计算图扩张分解及其层次结构的算法，并将其作为新型归一化割图聚类求解器的核心组件，实验表明其在多种图类上在解质量上显著优于现有方法。

Comments Short version appeared at KDD'24, August 25-29, 2024, Barcelona, Spain

Network Interdiction Goes Neural

神经网络中的网络拦截

Lei Zhang, Zhiqian Chen, Chang-Tien Lu, Liang Zhao

机构 * Department of Computer Science（计算机科学系） ； Department of Computer Science and Engineering（计算机科学与工程系） ； Virginia Tech（弗吉尼亚理工学院） ； Mississippi State University（密苏里州立大学） ； Emory University（埃默里大学） 纠错

AI总结 本文提出利用多分区图神经网络解决双层优化的网络拦截问题，通过将问题转化为混合整数线性规划实例，提升模型泛化能力，在两个任务中优于理论基线模型和传统精确求解器。

Journal ref Proc. 31st ACM SIGKDD Conf. on Knowledge Discovery and Data Mining (KDD 2025), pp. 3774-3785

Deep Hierarchical Knowledge Loss for Fault Intensity Diagnosis

深度层次知识损失用于故障强度诊断

Yu Sha, Shuiping Gou, Bo Liu, Haofan Lu, Ningtao Liu, Jiahui Fu, Horst Stoecker, Domagoj Vnucec, Nadine Wetzstein, Andreas Widl, Kai Zhou

机构 * School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）科学与工程学院） ； School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）人工智能学院） ； School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院） ； School of Computer, Luoyang Institute of Science and Technology（洛阳理工学院计算机学院） ； Frankfurt Institute for Advanced Studies（法兰克福先进研究 institute） ； SAMSON AG（SAMSON公司） 纠错

AI总结 本文提出深度层次知识损失框架，通过层次树损失和焦点层次树损失提升故障诊断的识别能力，实验表明在多个工业数据集上优于现有方法。

Comments The paper has been accepted by Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1 (KDD 2026)

Uncovering the Fragility of Trustworthy LLMs through Chinese Textual Ambiguity

通过中文文本歧义揭示可信大语言模型的脆弱性

Xinwei Wu, Haojie Li, Hongyu Liu, Xinyu Ji, Ruohan Li, Yule Chen, Yigeng Zhang

机构 * Chalmers University of Technology（楚德斯技术大学） 纠错

AI总结 研究大语言模型在处理中文歧义文本时的脆弱性，通过创建基准数据集发现模型在歧义处理上存在显著缺陷，影响实际应用。

Comments Accepted at KDD workshop on Evaluation and Trustworthiness of Agentic and Generative AI Models (Agentic & GenAI Evaluation Workshop KDD '25)

When Does Data Augmentation Help? Evaluating LLM and Back-Translation Methods for Hausa and Fongbe NLP

当数据增强有助于什么？评估LLM和回译方法在豪萨语和丰贝语NLP中的应用

Mahounan Pericles Adjovi, Roald Eiselen, Prasenjit Mitra

机构 * Carnegie Mellon University Africa（卡内基梅隆大学非洲分校） ； Centre for Text Technology（文本技术中心） ； North-West University（北开普大学） 纠错

AI总结 本文评估了LLM生成和回译方法在豪萨语和丰贝语中的有效性，发现任务类型而非语言或LLM质量决定增强效果，不同任务对增强结果有不同影响。

Comments 13 pages, 6 tables; previously submitted to KDD 2026

EviCare: Enhancing Diagnosis Prediction with Deep Model-Guided Evidence for In-Context Reasoning

EviCare: 通过深度模型引导的证据增强诊断预测

Hengyu Zhang, Xuyun Zhang, Pengxiang Zhan, Linhao Luo, Hang Lv, Yanchao Tan, Shirui Pan, Carl Yang

机构 * Macquarie University（麦考瑞大学） ； Fuzhou University（福州大学） ； Monash University（莫纳什大学） ； Griffith University（格里菲斯大学） ； Emory University（埃默里大学） 纠错

AI总结 EviCare通过整合深度模型指导的证据选择、证据优先级排序和关系证据构建，提升基于LLM的诊断预测性能，在MIMIC-III和MIMIC-IV数据集上实现20.65%的平均提升，尤其在新诊断预测上提升显著。

Comments Accepted by KDD 2026

SEPTQ: A Simple and Effective Post-Training Quantization Paradigm for Large Language Models

SEPTQ：一种用于大型语言模型的简单且有效的后训练量化范式

Han Liu, Haotian Gao, Xiaotong Zhang, Changya Li, Feng Zhang, Wei Wang, Fenglong Ma, Hong Yu

机构 * Dalian University of Technology（大连理工大学） ； Peking University（北京大学） ； Shenzhen MSU-BIT University（深圳北理莫斯科大学） ； The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

AI总结 SEPTQ提出了一种简化后训练量化流程的方法，通过重要性评分和静态全局确定量化位置，提升低比特量化下的性能。

Comments Accepted to KDD 2025. 12 pages, 10 figures

Graph Defense Diffusion Model

图防御扩散模型

Xin He, Wenqi Fan, Yili Wang, Chengyi Liu, Rui Miao, Xin Juan, Xin Wang

机构 * Jilin University（吉林大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 本文提出图防御扩散模型(GDDM)，通过扩散模型的去噪能力有效净化受攻击的图数据，保留图结构并增强净化效果，实验显示其在多种对抗攻击中表现优异。

Comments Accepted by The 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1 (KDD 2026)

Dual-Head Knowledge Distillation: Enhancing Logits Utilization with an Auxiliary Head

双头知识蒸馏：通过辅助头增强logits的利用

Penghui Yang, Chen-Chen Zong, Sheng-Jun Huang, Lei Feng, Bo An

机构 * Nanyang Technological University（南洋理工大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Southeast University（东南大学） 纠错

AI总结 本文提出双头知识蒸馏方法，通过分离分类头和骨干网络，解决传统知识蒸馏中logit级损失与概率级损失结合导致的分类头崩溃问题，提升模型性能。

Comments Accepted by KDD 2025

RUQuant: Towards Refining Uniform Quantization for Large Language Models

RUQuant: 向大语言模型的均匀量化精修迈进

Han Liu, Haotian Gao, Changya Li, Feng Zhang, Xiaotong Zhang, Wei Wang, Hong Yu

机构 * Dalian University of Technology（大连理工大学） ； Peking University（北京大学） ； Macao Polytechnic University（澳门理工大学） 纠错

AI总结 本文提出RUQuant方法，通过理论分析和两阶段正交变换，解决激活分布非均匀导致的量化精度下降问题，在不需微调的情况下实现高精度量化。

Comments Accepted to KDD 2026. 12 pages, 9 figures

Chart-RL: Policy Optimization Reinforcement Learning for Enhanced Visual Reasoning in Chart Question Answering with Vision Language Models

Chart-RL: 通过强化学习优化策略以提升基于视觉语言模型的图表问答中的视觉推理

Yunfei Bai, Amit Dhanda, Shekhar Jain

机构 * Amazon（亚马逊） 纠错

AI总结 本文提出Chart-RL框架，通过反馈驱动的策略优化提升视觉语言模型在复杂数据可视化中的推理能力，实现更高的准确率和更高效的推理速度。

Comments In Proceedings of the 32nd ACM-SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

CirrusBench: Evaluating LLM-based Agents Beyond Correctness in Real-World Cloud Service Environments

CirrusBench：在真实云服务环境中评估基于LLM的代理超越正确性的能力

Yi Yu, Guangquan Hu, Chenghuang Shen, Xingyan Liu, Jing Gu, Hangyi Sun, Junzhuo Ma, Weiting Liu, Jianfeng Liu, Mingyue Pu, Yu Wang, Zhengdong Xiao, Rui Xie, Longjiu Luo, Qianrong Wang, Gurong Cui, Honglin Qiao, Wenlian Lu

机构 * School of Mathematics and Sciences, Fudan University（复旦大学数学科学学院） ； Shanghai Center for Mathematical Sciences, Fudan University（复旦大学上海数学中心） ； Alibaba Group（阿里巴巴集团） ； Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学类脑智能科学与技术研究院） ； Center for Applied Mathematics & Shanghai Key Laboratory of Contemporary Applied Mathematics, Fudan University（复旦大学应用数学中心暨上海市现代应用数学重点实验室） 纠错

AI总结 本文提出CirrusBench框架，基于真实云服务工单数据评估LLM代理的鲁棒性和解决效率，引入客户导向指标量化服务质量，揭示现有模型在复杂多轮任务中的不足。

Comments Submitted for SIGKDD 2026

VILLA: Versatile Information Retrieval From Scientific Literature Using Large LAnguage Models

VILLA：利用大语言模型从科学文献中进行多用途信息检索

Blessy Antony, Amartya Dutta, Sneha Aggarwal, Vasu Gatne, Ozan Gökdemir, Samantha Grimes, Adam Lauring, Brian R. Wasik, Anuj Karpatne, T. M. Murali

AI总结 本文提出VILLA框架，通过构建病毒突变提取任务，解决复杂开放任务中科学信息提取的挑战，展示其在信息检索中的优越性能。

Comments Under review at ACM KDD 2026 (AI for Sciences Track)

Proximity Matters: Local Proximity Enhanced Balancing for Treatment Effect Estimation

近邻重要性：局部近邻增强的平衡方法用于处理效应估计

Hao Wang, Zhichao Chen, Zhaoran Liu, Xu Chen, Haoxuan Li, Zhouchen Lin

机构 * College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院） ； School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） 纠错

AI总结 本文提出CFR-Pro方法，通过引入基于最优传输的成对近邻正则化来增强HTE估计中的表示平衡，有效缓解处理选择偏差，并在实验中优于其他方法。

Comments Accepted as a poster in SIGKDD 2025

Dodgersort: Uncertainty-Aware VLM-Guided Human-in-the-Loop Pairwise Ranking

Dodgersort: 一种考虑不确定性的视觉语言模型引导的人机协作成对排序

Yujin Park, Haejun Chung, Ikbeom Jang

机构 * Hanyang University（翰阳大学） ； Hankuk University of Foreign Studies（韩国民法大学） 纠错

AI总结 Dodgersort通过CLIP基于的分层预排序、神经排名头和概率集成方法，减少人工比较并提升排序可靠性，在医学影像、历史 dating 和美学任务中实现11-16%的标注减少。

Comments 12 pages, 2 figures, Pacific-Asia Conference on Knowledge Discovery and Data Mining(PAKDD2026)

Reviewing the Reviewer: Graph-Enhanced LLMs for E-commerce Appeal Adjudication

审查审查者：图增强的大语言模型用于电商争议裁决

Yuchen Du, Ashley Li, Zixi Huang

机构 * Purdue University（普渡大学） ； Amazon（亚马逊） 纠错

AI总结 本文提出图增强的大语言模型，通过显式动作建模和冲突建模解决电商争议裁决中的信息不对称问题，提升裁决一致性。

Comments 10 pages, 3 figures, KDD 2026 Applied Data Science Track

Emergence of Phase Transitions in Complex Contagions

复杂传染中相变的出现

Saurabh Sharma, Ambuj Singh

AI总结 本文提出统一传播模型，研究复杂行为传播中的相变特性，揭示局部与全局影响的平衡对传播成功的重要性。

Comments Under Review at KDD '26

QA-Dragon: Query-Aware Dynamic RAG System for Knowledge-Intensive Visual Question Answering

QA-Dragon：面向知识密集型视觉问答的查询感知动态RAG系统

Zhuohang Jiang, Pangjing Wu, Xu Yuan, Wenqi Fan, Qing Li

AI总结 QA-Dragon通过引入领域路由器和搜索路由器，实现多模态、多轮和多跳推理，提升复杂视觉问答任务的推理性能，实验显示其在单源、多源和多轮任务中均优于基线模型。

Comments The source code for our system is released in https://github.com/jzzzzh/QA-Dragon

Journal ref 2025 KDD Cup Workshop for Multimodal Retrieval Augmented Generation