KDD

Improving Subgraph Matching by Combining Algorithms and Graph Neural Networks

通过结合算法与图神经网络改进子图匹配

Shuyang Guo, Wenjin Xie, Ping Lu, Ting Deng, Richong Zhang, Jianxin Li, Xiangping Huang, Zhongyi Liu

机构 * SKLCCSE, Beihang University（北京航空航天大学软件学院） ； TravelSky Technology Limited（TravelSky科技有限公司） ； Beijing Engineering Research Centerof Civil Aviation Big Data（民航大数据北京工程研究中心） 纠错

AI总结 HFrame通过结合传统算法与图神经网络，提高了子图同态的匹配效率和准确性。

Comments KDD 2025

Mixture-of-RAG: Integrating Text and Tables with Large Language Models

混合RAG：利用大语言模型整合文本和表格

Chi Zhang, Qiyang Chen, Mengqi Zhang

AI总结 MixRAG通过三阶段框架整合文本和表格，提升异构文档检索性能，实现混合模态文档接地的最新成果。

Comments Accepted to SIGKDD 2026

From Clicks to Preference: A Multi-stage Alignment Framework for Generative Query Suggestion in Conversational System

从点击到偏好：一种多阶段对齐框架用于对话系统中的生成查询建议

Junhao Yin, Haolin Wang, Peng Bao, Ju Xu, Yongliang Wang

机构 * Bytedance Shanghai China（字节跳动上海中国） ； Bytedance Beijing China（字节跳动北京中国） 纠错

AI总结 本文提出了一种多阶段对齐框架，通过提示工程、知识蒸馏和高斯奖励模型，提升生成式查询建议的用户偏好对齐效果，实验显示在自动和人工评估中均优于基线，并提高用户参与度34%

Comments Accepted by SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 26)

In-context Learning of Evolving Data Streams with Tabular Foundational Models

在上下文学习中学习演变数据流的表格基础模型

Afonso Lourenço, João Gama, Eric P. Xing, Goreti Marreiros

机构 * INESC-TEC, FEP, University of Porto（INESC-TEC、FEP、葡萄牙波尔图大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出利用表格基础模型和上下文学习方法，通过滑动内存策略在动态环境中实现高效的数据流处理，优于传统集成方法。

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

Enhancing Node-Level Graph Domain Adaptation by Alleviating Local Dependency

通过缓解局部依赖性增强节点级图域适应

Xinwei Tai, Dongmian Zou, Hongfei Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； School of Cyber Science and Engineering（网络科学与工程学院） ； Hubei Key Laboratory of Distributed System Security（湖北省分布式系统安全重点实验室） ； Hubei Engineering Research Center on Big Data Security（大数据安全工程研究中心） ； Zhongguancun Academy（中关村学院） ； Zu Chongzhi Center, Digital Innovation Research Center（祖冲之中心，数字创新研究中心） ； Duke Kunshan University（杜克大学昆山分校） 纠错

AI总结 本文提出通过缓解局部依赖性来改进图域适应，通过去相关GCN和图变换器层提升性能，并提供可视化结果。

Comments Accepted to KDD 2026

FuXi-$γ$: Efficient Sequential Recommendation with Exponential-Power Temporal Encoder and Diagonal-Sparse Positional Mechanism

FuXi-γ：基于指数-幂时间编码器和对角稀疏位置机制的高效序列推荐

Dezhi Yi, Wei Guo, Wenyang Cui, Wenxuan He, Huifeng Guo, Yong Liu, Zhenhua Dong, Ye Lu

AI总结 FuXi-γ通过指数-幂时间编码器和对角稀疏位置机制，提升序列推荐的效率和效果，实现训练和推理速度的显著提升。

Comments Accepted by KDD 2026

AI-Driven Early Warning Systems for Student Success: Discovering Static Feature Dominance in Temporal Prediction Models

基于AI的学生成就早期预警系统：在时间预测模型中发现静态特征主导

Vaarunay Kaushal, Rajib Mall

机构 * Data Science and Computer Applications（数据科学与计算机应用） ； Manipal Institute of Technology, MAHE（马那尔理工学院，MAHE） ； Computer Science and Engineering（计算机科学与工程） ； Shiv Nadar University（施瓦尔纳德大学） 纠错

AI总结 本研究提出基于AI的学生成就早期预警系统，发现静态特征在时间预测模型中主导预测，LSTM模型在早期干预中表现优异，而决策树在中期表现稳定。

Comments 5 pages, 3 figures, KDD 2026

Meta Lattice: Model Space Redesign for Cost-Effective Industry-Scale Ads Recommendations

元晶格：面向行业级广告推荐的模型空间重设计

Liang Luo, Yuxin Chen, Zhengyu Zhang, Mengyue Hang, Andrew Gu, Buyun Zhang, Boyang Liu, Chen Chen, Chengze Fan, Dong Liang, Fan Yang, Feifan Gu, Huayu Li, Jade Nie, Jiayi Xu, Jiyan Yang, Jongsoo Park, Laming Chen, Longhao Jin, Qianru Li, Qin Huang, Shali Jiang, Shiwen Shen, Shuaiwen Wang, Sihan Zeng, Siyang Yuan, Tongyi Tang, Weilin Zhang, Wenjun Wang, Xi Liu, Xiaohan Wei, Xiaozhen Xia, Yuchen Hao, Yunlong He, Yasmine Badr, Zeliang Chen, Maxim Naumov, Yantao Yao, Wenlin Chen, Santanu Kolay, GP Musumeci, Ellie Dingqiao Wen

AI总结 Meta提出Lattice框架，通过模型空间重设计实现行业级广告推荐的高质量与低成本优化，提升营收和用户满意度。

Comments Accepted to KDD 2026

ProEx: A Unified Framework Leveraging Large Language Model with Profile Extrapolation for Recommendation

ProEx：一种利用大语言模型与特征外推的统一框架用于推荐

Yi Zhang, Yiwen Zhang, Yu Wang, Tong Chen, Hongzhi Yin

AI总结 ProEx通过多维度资料外推提升推荐系统性能，利用链式推理构建多样化的用户和物品资料，以增强推荐效果。

Comments Accepted by KDD 2026 (First Cycle)

Adversarial Signed Graph Learning with Differential Privacy

对抗性带符号图学习与差分隐私

Haobin Ke, Sen Zhang, Qingqing Ye, Xun Ran, Haibo Hu

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Research Centre for Privacy and Security Technologies in Future Smart Systems, PolyU（隐私与安全技术在未来智能系统中的研究中心，PolyU） 纠错

AI总结 本文提出ASGL方法，通过对抗学习和梯度扰动，在保护隐私的同时实现带符号图学习的高实用性。

Comments Accepted by SIGKDD 2026

M2NO: An Efficient Multi-Resolution Operator Framework for Dynamic Multi-Scale PDE Solvers

M2NO：一种高效的多分辨率运算框架用于动态多尺度PDE求解器

Zhihao Li, Zhilu Lai, Xiaobo Zhang, Wei Wang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Southwest Jiaotong University（西南交通大学） 纠错

AI总结 M2NO是一种高效的多分辨率运算框架，通过结合多网格结构和多小波空间，提升高维PDE求解的精度和效率，并在多种任务中表现优异。

Comments Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1 (KDD 2026)

UniExtreme: A Universal Foundation Model for Extreme Weather Forecasting

UniExtreme: 一种用于极端天气预报的通用基础模型

Hang Ni, Weijia Zhang, Hao Liu

机构 * 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 UniExtreme是一种通用极端天气预报基础模型，通过自适应频率调制和事件先验增强模块，提升对多样化极端天气事件的预测能力。

Comments 35 pages, 80 figures, submitted to ACM KDD 2026 conference

Learning and Editing Universal Graph Prompt Tuning via Reinforcement Learning

通过强化学习学习和编辑通用图提示微调

Jinfeng Xu, Zheyu Chen, Shuo Yang, Jinze Li, Hewei Wang, Yijie Li, Edith C. H. Ngai

机构 * The University of Hong Kong（香港大学） ； Beijing Institute of Technology（北京理工大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出LEAP模型，通过强化学习在保留通用图提示理论基础的同时，优化提示选择与编辑，提升图和节点任务的性能。

Comments Accepted by KDD 2026

VI-MMRec: Similarity-Aware Training Cost-free Virtual User-Item Interactions for Multimodal Recommendation

VI-MMRec: 基于相似性感知的无成本虚拟用户-物品交互用于多模态推荐

Jinfeng Xu, Zheyu Chen, Shuo Yang, Jinze Li, Zitong Wan, Hewei Wang, Weijie Liu, Yijie Li, Edith C. H. Ngai

AI总结 VI-MMRec通过基于相似性感知的虚拟用户-物品交互，解决多模态推荐中的数据稀疏问题，提升模型性能且不增加训练成本。

Comments Accepted by KDD 2026

LSRP: A Leader-Subordinate Retrieval Framework for Privacy-Preserving Cloud-Device Collaboration

LSRP: 一种用于隐私保护云-设备协作的领导者-下属检索框架

Yingyi Zhang, Pengyue Jia, Xianneng Li, Derong Xu, Maolin Wang, Yichao Wang, Zhaocheng Du, Huifeng Guo, Yong Liu, Ruiming Tang, Xiangyu Zhao

AI总结 LSRP通过领导者-下属检索框架提升云-设备协作的隐私保护性能，增强云模型与设备模型的协同能力。

Comments Accepted at KDD'25

Generative Large-Scale Pre-trained Models for Automated Ad Bidding Optimization

生成式大规模预训练模型用于自动化广告竞价优化

Yu Lei, Jiayang Zhao, Yilei Zhao, Zhaoqi Zhang, Linyou Cai, Qianlong Xie, Xingxing Wang

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 GRAD通过生成式模型结合专家混合模块和因果变压器，提升广告竞价效率与收益，实现更高 ROI 和 GMV。

Comments KDD 2026

NL2SQL-BUGs: A Benchmark for Detecting Semantic Errors in NL2SQL Translation

NL2SQL-BUGs: 一个用于检测NL2SQL翻译语义错误的基准

Xinyu Liu, Shuyu Shen, Boyan Li, Nan Tang, Yuyu Luo

AI总结 NL2SQL-BUGs是一个用于检测NL2SQL翻译中语义错误的基准，通过两级分类法识别9大类31子类错误，揭示当前大语言模型在语义错误检测上的不足。

Comments 12 pages, 6 figures, 4 tables, KDD 2025

Journal ref SIGKDD 2025

Unsupervised Time Series Anomaly Prediction with Importance-based Generative Contrastive Learning

无监督时间序列异常预测与基于重要性的生成对比学习

Kai Zhao, Zhihao Zhuang, Chenjuan Guo, Hao Miao, Yunyao Cheng, Bin Yang

机构 * Aalborg University（奥尔堡大学） ； East China Normal University（华东师范大学） 纠错

AI总结 本文提出基于重要性的生成对比学习（IGCL）方法，用于无监督时间序列异常预测，通过区分正常与异常前兆并自适应存储代表性异常前兆，提升预测性能。

Comments ACM SIGKDD 2025

Matryoshka Model Learning for Improved Elastic Student Models

用于改进弹性学生模型的Matryoshka模型学习

Chetan Verma, Aditya Srinivas Timmaraju, Cho-Jui Hsieh, Suyash Damle, Ngot Bui, Yang Zhang, Wen Chen, Xin Liu, Prateek Jain, Inderjit S Dhillon

机构 * Google（谷歌） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出MatTA框架，通过训练多个准确学生模型，利用TA模型提升模型性能，实现准确率与服务成本的平衡，实验显示在多个基准测试中取得显著提升。

Comments 10 pages, 5 figures, Accepted at KDD 2025

Revisiting Clustering of Neural Bandits: Selective Reinitialization for Mitigating Loss of Plasticity

重新审视神经带客的聚类：用于缓解退化性的选择性重置

Zhiyuan Su, Sunhao Dai, Xiao Zhang

机构 * Gaoling School of Artificial Intelligence Renmin University of China Beijing China ； Gaoling School of Artificial Intelligence Renmin University of China 纠错

AI总结 本文提出SeRe框架，通过选择性重置缓解神经带客算法的退化性问题，提升其在动态环境中的适应性和鲁棒性。

Comments Accepted by KDD 2025

Rank Matters: Understanding and Defending Model Inversion Attacks via Low-Rank Feature Filtering

秩至关重要：通过低秩特征过滤理解并防御模型反向攻击

Hongyao Yu, Yixiang Qiu, Hao Fang, Tianqu Zhuang, Bin Chen, Sijin Yu, Bin Wang, Shu-Tao Xia, Ke Xu

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； South China University of Technology（华南理工大学） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） 纠错

AI总结 本文提出了一种基于低秩特征过滤的防御策略，通过减少中间表示的维度来有效防御模型反向攻击，实现了对多种攻击的有效防护。

Comments KDD 2026 Accept

EmoRAG: Evaluating RAG Robustness to Symbolic Perturbations

EmoRAG：评估RAG对符号扰动的鲁棒性

Xinyun Zhou, Xinfeng Li, Yinan Peng, Ming Xu, Xuanwang Zhang, Miao Yu, Yidong Wang, Xiaojun Jia, Kun Wang, Qingsong Wen, XiaoFeng Wang, Wei Dong

机构 * ZJU Hangzhou China（浙江大学杭州校区） ； NTU Singapore（南洋理工大学） ； Hengxin Tech. Singapore（新加坡恒心科技） ； NUS Singapore（国立新加坡大学） ； NJU Nanjing China（南京大学） ； PKU Beijing China（北京大学） 纠错

AI总结 EmoRAG研究揭示RAG系统对细微表情符号扰动的鲁棒性问题，发现单个表情符号可导致检索严重误导，并提出针对性防御措施。

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

Heterogeneous Multi-treatment Uplift Modeling for Trade-off Optimization in Short-Video Recommendation

异质多治疗提升建模用于短视频推荐中的权衡优化

Chenhao Zhai, Chang Meng, Xueliang Wang, Shuchang Liu, Xiaolong Hu, Shisong Tang, Xiaoqiang Feng, Xiu Li

AI总结 本文提出HMUM框架，通过离线混合建模和在线动态决策模块，实现短视频推荐中的多策略权衡优化，提升个性化决策效果。

Comments Accepted by KDD 2026

ABLE: Using Adversarial Pairs to Construct Local Models for Explaining Model Predictions

ABLE：利用对抗对构建局部模型以解释模型预测

Krishna Khadka, Sunny Shree, Pujan Budhathoki, Yu Lei, Raghu Kacker, D. Richard Kuhn

机构 * University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； National Institute of Standards and Technology（美国国家标准与技术研究院） 纠错

AI总结 ABLE通过生成对抗对构建局部模型，提高模型预测解释的稳定性和保真度。

Comments 10 pages, 2 figures. Accepted to KDD 2026 (Research Track)

Cross-Contrastive Clustering for Multimodal Attributed Graphs with Dual Graph Filtering

多模态属性图的跨对比聚类：带有双图过滤的多视图图聚类

Haoran Zheng, Renchi Yang, Hongtao Wang, Jianliang Xu

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

AI总结 本文提出双图过滤方案，通过特征去噪和三交叉对比学习提升多模态属性图的聚类性能。

Comments Accepted by SIGKDD 2026. The code is available at https://github.com/HaoranZ99/DGF

Rethinking Message Passing Neural Networks with Diffusion Distance-guided Stress Majorization

重新思考基于扩散距离引导的压力主要化的消息传递神经网络

Haoran Zheng, Renchi Yang, Yubo Zhou, Jianliang Xu

机构 * Hong Kong Baptist University（香港 Baptist 大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出DDSM模型，通过引入扩散距离和压力主要化技术，解决MPNNs中的过度平滑和相关性问题，并在多种图结构上取得优异性能。

Comments Accepted by SIGKDD 2026. The code is available at https://github.com/HaoranZ99/DDSM

Frailty-Aware Transformer for Recurrent Survival Modeling of Driver Retention in Ride-Hailing Platforms

考虑脆弱性的变换器用于网约车平台司机留存的复发生存建模

Shuoyan Xu, Yu Zhang, Eric J. Miller

机构 * Civil \& Mineral Engineering University of Toronto Toronto, Canada 纠错

AI总结 本文提出一种考虑脆弱性的变换器模型，用于网约车平台司机留存的复发生存建模，通过捕捉长期时间依赖性和司机异质性，提升了风险预测的准确性。

Comments 13 pages, 6 figures, under review, Accepted by KDD Workshop 2025

Medusa: Cross-Modal Transferable Adversarial Attacks on Multimodal Medical Retrieval-Augmented Generation

Medusa: 跨模态可转移的对抗攻击用于多模态医疗检索增强生成

Yingjia Shang, Yi Liu, Huimin Wang, Furong Li, Wenfang Sun, Wu Chengyu, Yefeng Zheng

机构 * Westlake University（西湖大学） ； Heilongjiang University（黑龙江大学） ； City University of Hong Kong（香港城市大学） ； Tencent（腾讯） 纠错

AI总结 Medusa提出了一种针对多模态医疗检索增强生成系统的跨模态可转移对抗攻击方法，通过优化扰动和双循环策略实现高攻击成功率并抵御主流防御措施。

Comments Accepted at KDD 2026 First Cycle (full version). Authors marked with * contributed equally. Yi Liu is the lead author

MGFRec: Towards Reinforced Reasoning Recommendation with Multiple Groundings and Feedback

MGFRec: 向多接地与反馈的强化推理推荐迈进

Shihao Cai, Chongming Gao, Haoyan Liu, Wentao Shi, Jianshan Sun, Ruiming Tang, Fuli Feng

AI总结 MGFRec通过多轮接地和反馈机制提升推荐系统中推理与实际物品空间的一致性，改进推荐效果。

Comments Accepted at KDD 2026

KBest: Efficient Vector Search on Kunpeng CPU

KBest: 面向 Kunpeng CPU 的高效向量搜索

Kaihao Ma, Meiling Wang, Senkevich Oleg, Zijian Li, Daihao Xue, Dmitriy Malyshev, Yangming Lv, Shihai Xiao, Xiao Yan, Radionov Alexander, Weidi Zeng, Yuanzhan Gao, Zhiyu Zou, Xin Yao, Lin Liu, Junhao Wu, Yiding Liu, Yaoyao Fu, Gongyi Wang, Gong Zhang, Fei Yi, Yingfan Liu

AI总结 KBest 是针对 Kunpeng 920 CPU 优化的高效向量搜索库，通过硬件感知和算法优化提升查询吞吐量超过 2 倍。

Journal ref ACM KDD 2026 | Jeju, Korea