KDD

BRAVA-GNN: Betweenness Ranking Approximation Via Degree MAss Inspired Graph Neural Network

BRAVA-GNN: 通过度量质量启发的图神经网络进行介数排名近似

Justin Dachille, Aurora Rossi, Sunil Kumar Maurya, Frederik Mallmann-Trenn, Xin Liu, Frédéric Giroire, Tsuyoshi Murata, Emanuele Natale

机构 * King's College London（国王学院伦敦） ； University of Bonn（波恩大学） ； Lamarr Institute（拉马尔研究所） ； University of Tokyo（东京大学） ； National Institute of Advanced Industrial Science（国家先进工业科学研究院） ； Université Côte d’Azur（坎特伯雷大学） ； CNRS（法国国家科学研究中心） ； Inria（法国国家信息与自动化技术研究所） ； I3S（信息科学与系统研究所） ； Institute of Science Tokyo（东京科学研究所） 纠错

AI总结 BRAVA-GNN通过利用度量质量与介数中心性的相关性，提出了一种轻量级GNN架构，实现对高直径图的高效节点排名近似。

Comments Submitted to KDD

Evaluating Social Bias in RAG Systems: When External Context Helps and Reasoning Hurts

评估RAG系统中的社会偏见：当外部上下文有助于而推理有害

Shweta Parihar, Lu Cheng

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

AI总结 本研究评估RAG系统中的社会偏见，发现外部上下文可减少偏见，但链式思维提示反而增加偏见，凸显了需要偏见意识推理框架的重要性。

Comments Accepted as a full paper with an oral presentation at the 30th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD 2026)

In-Hospital Stroke Prediction from PPG-Derived Hemodynamic Features

住院期间从PPG衍生的血流动力学特征预测中风

Jiaming Liu, Cheng Ding, Daoqiang Zhang

机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） 纠错

AI总结 本文利用PPG数据，结合大型语言模型和ResNet-1D模型，实现了对住院期间中风的早期预测，展示了PPG在发病前数小时具有预测性，为临床主动监控提供了新方法。

Comments 11 pages, 6 figures, 3 tables. To appear in Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '26)

Neural Gaussian Radio Fields for Channel Estimation

神经高斯射线场用于信道估计

Muhammad Umer, Muhammad Ahmed Mohsin, Ahsan Bilal, John M. Cioffi

AI总结 神经高斯射线场通过融合物理的结构化表示，在信道估计中实现更高的预测SNR和更快的推理速度，优于传统方法。

Comments This paper has been submitted to KDD'26

Electron-Informed Coarse-Graining Molecular Representation Learning for Real-World Molecular Physics

电子信息引导的粗粒化分子表示学习用于现实世界分子物理

Gyoung S. Na, Chanyoung Park

机构 * Korea Research Institute of Chemical Technology（韩国化学技术研究院） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

AI总结 HEDMoL通过利用小分子电子信息提升大分子表示学习，实现对现实世界分子物理的高效预测。

Comments KDD 2025 Research Track

Balanced Anomaly-guided Ego-graph Diffusion Model for Inductive Graph Anomaly Detection

平衡的异常引导自环图扩散模型用于归纳图异常检测

Chunyu Wei, Siyuan He, Yu Wang, Yueguo Chen, Yunhai Wang, Bing Bai, Yidong Zhang, Yong Xie, Shunming Zhang, Fei Wang

机构 * Renmin University of China（中国人民大学） ； Independent Researcher（独立研究者） ； Microsoft（微软） ； Nanjing University of Posts and Telecommunications（南京邮电大学） ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出一种平衡的异常引导自环图扩散模型，通过动态图建模和课程异常增强机制解决图异常检测中的动态性和类别不平衡问题。

Comments 12 pages,6 figures, Accepted by ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '26)

SEW: Strengthening Robustness of Black-box DNN Watermarking via Specificity Enhancement

SEW: 通过增强特异性来加强黑盒DNN水印的鲁棒性

Huming Qiu, Mi Zhang, Junjie Sun, Peiyi Chen, Xiaohan Zhang, Min Yang

AI总结 SEW通过增强水印特异性来提高黑盒DNN水印的鲁棒性，有效防御多种移除攻击。

Comments Accepted by KDD 2026

WADEPre: A Wavelet-based Decomposition Model for Extreme Precipitation Nowcasting with Multi-Scale Learning

WADEPre: 基于小波分解的极端降水现在预测模型与多尺度学习

Baitian Liu, Haiping Zhang, Huiling Yuan, Dongjing Wang, Ying Li, Feng Chen, Hao Wu

机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Nanjing University（南京大学） ； Zhejiang Institute of Meteorological Sciences（浙江省气象科学研究院） 纠错

AI总结 WADEPre通过小波分解和多尺度学习提升极端降水现在预测的精度和保真度。

Comments The paper has been submitted to KDD 2026 and is currently under review

Multi-period Learning for Financial Time Series Forecasting

多周期学习用于金融时间序列预测

Xu Zhang, Zhengang Huang, Yunzhi Wu, Xun Lu, Erpeng Qi, Yunkai Chen, Zhongya Xue, Qitong Wang, Peng Wang, Wei Wang

机构 * School of Computer Science Fudan University（复旦大学计算机学院） 纠错

AI总结 本文提出多周期学习框架MLF，通过三个新模块整合多周期输入以提升金融时间序列预测的准确性和效率。

Comments The codes are available at https://github.com/Meteor-Stars/MLF. The paper is published in the ACM SIGKDD Conference on Knowledge Discovery and Data Mining, SIGKDD 2025

MolX: Enhancing Large Language Models for Molecular Understanding With A Multi-Modal Extension

MolX: 通过多模态扩展增强大型语言模型的分子理解能力

Khiem Le, Zhichun Guo, Kaiwen Dong, Xiaobao Huang, Bozhao Nan, Roshni Iyer, Xiangliang Zhang, Olaf Wiest, Wei Wang, Ting Hua, Nitesh V. Chawla

机构 * University of Notre Dame, IN, USA（诺丁汉大学） ； University of California, Los Angeles, CA, USA（加州大学洛杉矶分校） 纠错

AI总结 MolX通过多模态扩展提升LLM对分子的理解能力，利用SMILES和分子图提取细粒度特征，并结合分子指纹提升性能，有效提升分子相关任务表现。

Comments MLoG-GenAI@KDD'25

LLM-based Few-Shot Early Rumor Detection with Imitation Agent

基于大语言模型的少样本早期谣言检测与模仿代理

Fengzhu Zeng, Qian Shao, Ling Cheng, Wei Gao, Shih-Fen Cheng, Jing Ma, Cheng Niu

机构 * Singapore Management University（新加坡管理大学） ； Hong Kong Baptist University（香港 Baptist大学） 纠错

AI总结 本文提出基于自主代理和大语言模型的少样本早期谣言检测框架，通过轻量级代理提升效率，实现准确性和早熟性的提升。

Comments Accepted at KDD 2026

HumanLLM: Towards Personalized Understanding and Simulation of Human Nature

HumanLLM: 向个性化理解与模拟人类本质迈进

Yuxuan Lei, Tianfu Wang, Jianxun Lian, Zhengyu Hu, Defu Lian, Xing Xie

机构 * University of Science and Technology of China（科学技术大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Microsoft Research Asia（微软亚洲研究院） 纠错

AI总结 HumanLLM通过构建大规模用户数据集和多阶段训练流程，实现了对个体认知与行为的个性化模拟，提升了社会智能和个性化应用的效果。

Comments 12 pages, 5 figures, 7 tables, to be published in KDD 2026

Communication-efficient Federated Graph Classification via Generative Diffusion Modeling

通过生成扩散建模实现高效的联邦图分类通信

Xiuling Wang, Xin Huang, Haibo Hu, Jianliang Xu

机构 * Hong Kong Baptist University（香港 Baptist 大学） ； Hong Kong Polytechnic University（香港 Polytechnic 大学） 纠错

AI总结 CeFGC通过生成扩散模型实现高效的联邦图分类，仅需三次通信轮次即可在非IID数据上提升GNN性能。

Journal ref In Proceedings of ACM SIGKDD Conference on Knowledge Discovery and Data Mining (SIGKDD), 2026

MCGrad: Multicalibration at Web Scale

MCGrad：大规模多校准

Niek Tax, Lorenzo Perini, Fridolin Linder, Daniel Haimovich, Dima Karamshuk, Nastaran Okati, Milan Vojnovic, Pavlos Athanasios Apostolopoulos

机构 * Meta Platforms, Inc.（Meta平台公司） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） ； The London School of Economics and Political Science（伦敦政治经济学院） 纠错

AI总结 MCGrad是一种可扩展的多校准算法，无需显式指定受保护群体，提升了机器学习模型的性能指标。

Comments Accepted at KDD 2026

Multi-Stage Verification-Centric Framework for Mitigating Hallucination in Multi-Modal RAG

多阶段验证导向框架用于缓解多模态RAG中的幻觉

Baiyu Chen, Wilson Wongso, Xiaoqian Hu, Yue Tan, Flora Salim

机构 * The University of New South Wales（新南威尔士大学） 纠错

AI总结 本文提出了一种多阶段验证导向框架，通过优先考虑事实准确性和真实性来缓解多模态RAG中的幻觉问题，并在KDD Cup 2025中取得第三名。

Comments KDD Cup 2025 Meta CRAG-MM Challenge: Third Prize in the Single-Source Augmentation Task

Wukong Framework for Not Safe For Work Detection in Text-to-Image systems

Wukong框架用于文本到图像系统中的不安全内容检测

Mingrui Liu, Sixiao Zhang, Cheng Long

机构 * Nanyang Technological University（南洋理工大学） 纠错

AI总结 Wukong通过利用扩散过程早期的去噪步骤和U-Net的预训练交叉注意力参数，实现高效的不安全内容检测，优于传统文本和图像过滤方法。

Comments Accepted by KDD'26 (round 1)

Nip Rumors in the Bud: Retrieval-Guided Topic-Level Adaptation for Test-Time Fake News Video Detection

在谣言萌芽时遏制：基于检索的课题级适应用于测试时虚假新闻视频检测

Jian Lang, Rongpei Hong, Ting Zhong, Yong Wang, Fan Zhou

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Aiwen Technology Co., Ltd.（爱文科技有限公司） ； Intelligent Digital Media Technology Key Laboratory of Sichuan Province（四川省智能数字媒体技术重点实验室） 纠错

AI总结 RADAR通过检索引导适应方法，在测试时有效检测未见主题的虚假新闻视频，提升适应能力。

Comments 13 pages. Accepted by KDD 2026 research track. Codes are released at https://github.com/Jian-Lang/RADAR

Rethinking Popularity Bias in Collaborative Filtering via Analytical Vector Decomposition

重新思考协同过滤中的流行度偏差：通过分析向量分解

Lingfeng Liu, Yixin Song, Dazhong Shen, Bing Yin, Hao Li, Yanyong Zhang, Chao Wang

机构 * School of Artificial Intelligence and Data Science, University of Science and Technology of China（人工智能与数据科学学院，科学技术大学） ； College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（计算机科学与技术学院，南京航空航天大学） ； State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） ； iFLYTEK Research, iFLYTEK（iFLYTEK研究） 纠错

AI总结 本文提出DDC框架，通过不对称方向更新修正协同过滤中流行度偏差的几何问题，提升推荐质量和公平性。

Comments Accepted by SIGKDD 2026(First Cycle)

FilDeep: Learning Large Deformations of Elastic-Plastic Solids with Multi-Fidelity Data

FilDeep：利用多保真数据学习弹性-塑性固体的大变形

Jianheng Tang, Shilong Tao, Zhe Feng, Haonan Sun, Menglu Wang, Zhanxing Zhu, Yunhuai Liu

机构 * Peking University（北京大学） ； University of Southampton（南安普顿大学） 纠错

AI总结 FilDeep通过结合低保真度和高保真度数据，解决大变形问题中数据数量与精度的矛盾，实现高效且精确的弹性-塑性固体大变形模拟。

Comments Accepted in Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1 (KDD '26)

Fast Mining and Dynamic Time-to-Event Prediction over Multi-sensor Data Streams

多传感器数据流上的快速挖掘与动态时间到事件预测

Kota Nakamura, Koki Kawabata, Yasuko Matsubara, Yasushi Sakurai

机构 * InfoTech, Toyota Motor Corporation（丰田汽车公司信息科技部门） ； SANKEN, Osaka University（大阪大学SANKEN） 纠错

AI总结 TimeCast通过动态预测框架实现多传感器数据流中故障时间的高效预测，具备动态适应、实用性和可扩展性，提升预测精度并减少计算时间。

Comments Accepted by KDD 2026

Dissecting Judicial Reasoning in U.S. Copyright Damage Awards

解析美国版权损害赔偿判决中的司法推理

Pei-Chi Lo, Thomas Y. Lu

机构 * National Sun Yat-sen University（国立中山大学） 纠错

AI总结 本研究提出基于修辞结构理论的LLM方法，用于解析版权损害赔偿判决中的司法推理，揭示各巡回法院因素权重差异，为法律分析提供新方法和实证洞察。

Comments Presented in SIGKDD'25 SciSoc LLM Workshop: Large Language Models for Scientific and Societal Advances

Benchmarking Positional Encodings for GNNs and Graph Transformers

图神经网络和图变换器的定位编码基准测试

Florian Grötschla, Jiaqing Xie, Roger Wattenhofer

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种统一的基准测试框架，用于评估图神经网络和图变换器中定位编码的效果，发现高表达性PEs在现实任务中可能表现不佳，同时识别出若干表现优异的简单模型-PE组合。

Comments Accepted at KDD 2026 Datasets & Benchmarks Track

Enriching Semantic Profiles into Knowledge Graph for Recommender Systems Using Large Language Models

利用大语言模型丰富知识图谱中的语义轮廓以提升推荐系统

Seokho Ahn, Sungbok Shin, Young-Duk Seo

机构 * Inha University（成均馆大学） ； Sogang University（成均馆大学） 纠错

AI总结 本文提出SPiKE模型，利用大语言模型生成知识图谱中的语义轮廓，通过轮廓聚合和偏好匹配提升推荐系统性能。

Comments Accepted at KDD 2026

CREAM: Continual Retrieval on Dynamic Streaming Corpora with Adaptive Soft Memory

CREAM: 动态数据流中基于自适应软记忆的持续检索

HuiJeong Son, Hyeongu Kang, Sunho Kim, Subeen Ho, SeongKu Kang, Dongha Lee, Susik Yoon

机构 * Korea University（韩国大学） ； Yonsei University（延世大学） 纠错

AI总结 CREAM通过自监督框架实现动态数据流中的持续检索，利用自适应软记忆提升对未知主题的适应性和检索准确性。

Comments Accepted to KDD 2026

Controlled Automatic Task-Specific Synthetic Data Generation for Hallucination Detection

受控的自动任务特定合成数据生成用于幻觉检测

Yong Xie, Karan Aggarwal, Aitzaz Ahmad, Stephen Lau

机构 * Amazon（亚马逊） 纠错

AI总结 本文提出了一种受控的自动任务特定合成数据生成方法，通过两步流程和数据混合策略提升幻觉检测的泛化能力和鲁棒性，实验表明其在幻觉检测任务中优于基于上下文学习的检测器。

Comments 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (ACM KDD 2024). Accepted by Workshop on Evaluation and Trustworthiness of Generative AI Models

Journal ref 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2024)

FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts

FaST: 为大规模时空图实现高效且有效的长周期预测

Yiji Zhao, Zihao Zhong, Ao Wang, Haomin Wen, Ming Jin, Yuxuan Liang, Huaiyu Wan, Hao Wu

机构 * Yunnan University（云南大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Griffith University（格里菲斯大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Beijing Jiaotong University（北京交通大学） 纠错

AI总结 FaST通过异构性感知混合专家框架，实现大规模时空图的高效长周期预测，提升预测精度与计算效率。

Comments Accepted to KDD 2026

Surface-based Molecular Design with Multi-modal Flow Matching

基于表面的分子设计与多模态流匹配

Fang Wu, Zhengyuan Zhou, Shuting Jin, Xiangxiang Zeng, Jure Leskovec, Jinbo Xu

机构 * Stanford University（斯坦福大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Wuhan University of Science and Technology（武汉科技大学） ； Hunan University（湖南大学） 纠错

AI总结 SurfFlow通过多模态流匹配算法实现基于分子表面的肽共同设计，提升肽与受体的结合准确性，并在PepMerge基准中优于全原子基线。

Journal ref KDD 2025

AHA: Scalable Alternative History Analysis for Operational Timeseries Applications

AHA：可扩展的替代历史分析用于操作时间序列应用

Harshavardhan Kamarthi, Harshil Shah, Henry Milner, Sayan Sinha, Yan Li, B. Aditya Prakash, Vyas Sekar

AI总结 AHA通过高效处理高维时间序列数据，提供高准确性与低成本的替代历史分析解决方案。

Comments To Appear at KDD 2026

Towards Trustworthy Multimodal Moderation via Policy-Aligned Reasoning and Hierarchical Labeling

通过政策对齐推理和分层标注实现可信的多模态审核

Anqi Li, Wenwei Jin, Jintao Tong, Pengda Qin, Weijia Li, Guo Lu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Xiaohongshu Inc.（小红书公司） ； Huazhong University of Science and Technology（华中科技大学） 纠错

AI总结 Hi-Guard通过政策对齐推理和分层标注提升多模态审核的准确性、泛化性和可解释性。

Comments Accepted by KDD 2026. Code is available at https://github.com/lianqi1008/Hi-Guard

Mining Intrinsic Rewards from LLM Hidden States for Efficient Best-of-N Sampling

从LLM隐藏状态中挖掘内在奖励以实现高效的Best-of-N采样

Jizhou Guo, Zhaomin Wu, Hanchen Yang, Philip S. Yu

机构 * Zhiyuan College, Shanghai Jiao Tong University（上海交通大学紫阳学院） ； National University of Singapore（新加坡国立大学） ； Tongji University（同济大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 SWIFT通过从LLM隐藏状态中挖掘内在奖励，实现高效Best-of-N采样，提升模型性能并减少计算成本。

Comments Accepted by KDD 2026 (Research Track). Project page: https://aster2024.github.io/swift-website/