SelPE: Progressive Selection for Private Structured Text Synthesis
SelPE：面向私有结构化文本合成的渐进式选择方法
AI总结 提出SelPE框架，通过渐进式多批次top-1选择机制，在严格差分隐私预算下实现小样本私有结构化文本的高效合成，解耦语义抽象与模式实现，提升结构有效性、保真度和下游效用。
Comments Accepted at KDD 2026
期刊&会议
KDD
ACM SIGKDD Conference on Knowledge Discovery and Data Mining · 会议 · Data Mining
Habituation at the Gate: Rising Approval and Declining Scrutiny in Human Review of AI Agent Code
门前的习惯化：人类对AI智能体代码审查中批准率上升与审查力度下降
AI总结 通过分析400名重复审查者在七个月内对AI生成代码的审查行为，发现批准率从30.1%上升至36.8%，审查评论量下降22%，而等待时间增加3.5倍，表明审查者因工作负荷增加而出现习惯化反应。
Comments 5 pages, 2 figures, 2 tables. Accepted at the KDD 2026 Workshop on Agentic Software Engineering (SE 3.0)
Beyond Simpson's Paradox: A Cascade of Confounders in AI Agent Pull-Request Co-Authorship
超越辛普森悖论：AI 智能体拉取请求合著中的级联混杂因素
机构 * Independent Researcher（独立研究者） ； Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本研究通过分层分析和多级控制，揭示了AI编码智能体拉取请求合著与合并率之间的关联主要由智能体组成、仓库选择和PR结构等混杂因素驱动，而非因果关系。
Comments 5 pages. Accepted at the KDD 2026 Workshop on Agentic Software Engineering (SE 3.0)
ARIA: A Causal-Aware Framework for Rescuing LLM Reasoning in Trustworthy Materials Discovery
ARIA: 一种用于在可信材料发现中拯救LLM推理的因果感知框架
机构 * Johns Hopkins University（约翰霍普金斯大学）
AI总结 提出ARIA框架，通过因果感知的三级级联（直接因果推理、物理类比迁移、参数回退）解决LLM在材料发现中的上下文隧道问题，提升物理可信性。
Comments Accepted to 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
Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning
超越时间序列：基于多模态学习的空间推理用于流行病预测
机构 * University of Michigan（密歇根大学）
AI总结 提出M-SPICE框架，通过注意力机制融合区域级时序数据与空间辅助信号，在COVID-19、流感和ILI预测任务上超越现有基线。
Comments To appear in the Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026), AI for Science Track
The Pitfall of Scaling Up: Uncovering and Mitigating Popularity Bias Amplification in Scaling Transformer-based Recommenders
规模化的陷阱：揭示并缓解基于Transformer的推荐系统中的流行度偏差放大
机构 * Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 发现扩大Transformer推荐模型规模会放大流行度偏差，通过理论和实证分析揭示注意力聚合和前馈投影导致谱坍缩是根本原因，提出SPRINT正则化方法缓解该问题，在0.05M至0.34B参数规模上实现更优的扩展行为。
Comments Accepted by KDD 2026
TF-SNO: Time-Frequency Gated Spectral Neural Operators for Learning Non-Stationary Partial Differential Equations
TF-SNO：用于学习非平稳偏微分方程的时频门控谱神经算子
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； Harbin Institute of Technology（哈尔滨工业大学）
AI总结 针对非平稳PDE中频谱随时间漂移的问题，提出TF-SNO，通过可学习的时频门控机制使谱响应随状态演化，在不引入显式时间维度下隐式学习时间变化，提升长期预测稳定性。
Comments Accepted by KDD 2026
MammoExpert: Benchmarking Chain-of-Thought Reasoning in Mammography Diagnosis
MammoExpert：乳腺X线诊断中的思维链推理基准测试
机构 * State Key Laboratory of General Artificial Intelligence, School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院通用人工智能国家重点实验室） ； School of Computer Science and Engineer, Beijing University of Aeronautics and Astronautics（北京航空航天大学计算机科学与工程学院） ； Center for Data Science, Peking University（北京大学数据科学中心） ； Yizhun co. ltd（医准有限公司） ； International School, Beijing University of Post and Telecommunications（北京邮电大学国际学院） ； School of Public Health, University of Michigan, Ann Arbor（密歇根大学安娜堡分校公共卫生学院） ； Future Technology College, Xi'an Jiaotong University（西安交通大学未来技术学院） ； Peking University（北京大学）
AI总结 提出首个包含思维链推理标注的乳腺X线数据集MammoExpert，覆盖2379张图像和67种病理亚型，通过三阶段推理提升病灶分类准确率，在多个数据集上验证了有效性。
Comments KDD 2026
SciLens: Multi-modal Scientific Claim Verification with Agentic Entailment and Grounding
SciLens: 多模态科学声明验证的智能蕴含与归因框架
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Hong Kong Baptist University（香港浸会大学） ； NVIDIA AI Technology Center（英伟达人工智能技术中心）
AI总结 提出SciLens框架，通过将声明分解为原子命题并归因到表格/图表证据，实现多模态科学声明验证，在SciClaimEval上达到79.2%宏F1和63.1%配对准确率。
Comments KDD 2026 SciSoc Agents & LLMs (Oral)
FairTutor: Equity-Aware Pedagogical LLM Routing for Budget-Constrained AI Tutoring
FairTutor: 预算受限AI辅导中的公平感知教学LLM路由
机构 * Independent researcher, Shanghai, China（独立研究者，上海，中国）
AI总结 提出FairTutor框架，通过教学驱动的多智能体编排实现成本效益AI辅导，在降低71.6%服务成本的同时达到97.1%的优质教学质量，并引入AIED优势差距指标衡量公平性。
Comments AI for Education Day at SIGKDD 2026, 14 pages, 2 figures
LLM-as-Code: Agentic Programming for Agent Harness
LLM即代码：面向Agent框架的编程范式
机构 * City University of Hong Kong（香港城市大学） ； Tencent Jarvis Lab（腾讯贾维斯实验室）
AI总结 针对LLM作为编排器导致控制流幻觉和不可靠执行的问题，提出Agentic Programming范式，由程序控制所有流程，LLM仅作为代码组件在需要推理或生成时被调用，显著提升长序列操作的稳定性。
Comments Accepted at the KDD 2026 Workshop on Agentic Software Engineering (AgenticSE)
Denoising Implicit Feedback for Cold-start Recommendation
去噪隐式反馈用于冷启动推荐
机构 * Hong Kong Baptist University（香港浸会大学） ； Independent Researcher（独立研究员） ； Peking University（北京大学） ； Nanjing University（南京大学） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
AI总结 针对冷启动推荐中隐式反馈噪声问题，提出模型无关的去噪方法DIF，通过内容相似性推断伪标签并建模置信度与不确定性，在快手应用中显著提升冷启动场景商业指标。
Comments Accepted by KDD 2026 ADS Track
When to Trust, How to Distill: Multi-Foundation Model Guidance for Lightweight, Robust Scientific Time Series Forecasting
何时信任，如何蒸馏：面向轻量级鲁棒科学时间序列预测的多基础模型指导
机构 * Colorado State University（科罗拉多州立大学）
AI总结 提出Guard框架，通过上下文路由器和不确定性门控温度机制，从多个分布偏移的基础模型中蒸馏知识，训练轻量级预测器，在气象、碳通量等四个领域降低RMSE。
Comments KDD 2026, paper decision: Accepted, track: AI for Science. total 12 pages including references and appendix
AGDN: Learning to Solve Traveling Salesman Problem with Anisotropic Graph Diffusion Network
AGDN：利用各向异性图扩散网络学习求解旅行商问题
机构 * Florida State University（佛罗里达州立大学） ； Singapore Management University（新加坡管理学院）
AI总结 提出各向异性图扩散网络（AGDN），通过MixScore转移矩阵和各向异性扩散策略，有效利用图结构信息求解旅行商问题，在多种实例规模和分布上优于现有方法。
Comments Accepted at the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)
JourneyFormer: Encoding Airbnb Guest Journey with Sequence Modeling
JourneyFormer: 使用序列建模编码Airbnb客人旅程
机构 * Airbnb
AI总结 针对Airbnb中客人序列长、探索性强且标签稀疏的问题，提出JourneyFormer序列建模解决方案，通过优化数据选择、ID嵌入、模型架构和标签归因，并在两个生产面上通过在线A/B测试验证了其有效性。
Comments Accepted by KDD 2026
Sparsity Curse: Understanding RLVR Model Parameter Space from Model Merging
稀疏性诅咒：从模型合并理解RLVR模型参数空间
机构 * Zhejiang University（浙江大学） ； Simon Fraser University（西蒙菲莎大学） ； The Chinese University of Hong Kong（香港中文大学） ； Zhejiang Key Lab of Accessible Perception and Intelligent Systems（浙江省可感知智能系统重点实验室）
AI总结 本文发现RLVR模型的稀疏更新在参数空间中分散更远，形成近正交捷径导致合并脆弱，并提出SAR-Merging方法解决该问题。
Comments Accepted by KDD 2026
RELIANCE: Curating and Evaluating Reproductive Health Information on Social Media
RELIANCE: 策展与评估社交媒体上的生殖健康信息
AI总结 针对TikTok上孕期和产后健康信息，构建专家标注数据集RELIANCE，评估LLM事实核查能力，发现近60%信息准确，但整体与具体声明评估存在15%差距。
Comments Accepted at Datasets and Benchmarks Track, ACM Knowledge Discovery and Data Mining (KDD) 2026. Project page: https://realize-lab.github.io/RELIANCE/
From Memorization to Creation: Evaluating the Cognitive Depth of LLM-Generated Educational Questions
从记忆到创造：评估LLM生成的教育问题的认知深度
机构 * City University of Hong Kong（香港城市大学） ； Zhejiang Normal University（浙江师范大学） ； Squirrel Ai Learning ； University of Science and Technology of China（中国科学技术大学） ； Wuhan University（武汉大学）
AI总结 通过布鲁姆认知分类学评估六种LLM生成问题的认知层次，提出细粒度提示策略减少重复性并提升高阶认知比例，引入认知转移强度和类别漂移指标，揭示链式思维提示的可解释性。
Comments Accepted by KDD 2026
Journal ref KDD 2026
OmniPlan: An Adaptive Framework for Timely and Near-Optimal Network Planning Optimization
OmniPlan：一种用于及时且近乎最优的网络规划优化的自适应框架
机构 * Zhejiang University（浙江大学） ； Fuzhou University（福州市大学） ； Yangzhou University（扬州大学） ； The State Key Laboratory of Blockchain and Data Security（区块链与数据安全国家重点实验室） ； College of Computer Science and Technology（计算机科学与技术学院）
AI总结 提出OmniPlan自适应框架，利用大语言模型解析用户意图，通过混合专家架构动态选择MIP求解器、启发式算法或深度强化学习模型，实现网络规划优化的及时性与近乎最优性，在分布式机器学习推理卸载任务中延迟降低97.8%，资源消耗降低11.5%。
Comments Accepted by ACM KDD 2026
Formalizing and Mitigating Structural Distortion in LLM Attention for Graph Reasoning
形式化并缓解大语言模型注意力中的结构失真以实现零样本图推理
机构 * University of Michigan（密歇根大学） ； Amazon（亚马逊）
AI总结 本文形式化了大语言模型处理文本属性图时因图线性化导致的结构失真机制，并提出轻量级推理时修改方法GaLA，通过校正注意力偏差提升零样本图推理性能。
Comments Accepted to KDD 2026
SVHighlights: Towards Extremely Long Sport Video Highlight Detection
SVHighlights: 迈向极长体育视频精彩片段检测
机构 * Ulsan National Institute of Science and Technology（釜山国立科学研究院）
AI总结 针对现有方法无法处理超长视频精彩片段检测的问题，提出首个基准SVHighlights（包含320个平均时长2小时的体育视频）以及无训练的分段方法TF-SELECTOR，通过大语言模型融合多模态信息预测片段级显著性分数，在多个指标上超越现有基线。
Comments Accepted to KDD 2026 (Datasets and Benchmarks Track). Project Page: https://leedongkyu2019.github.io/SVHighlights/
Four-Cycle Counting in Low-Degeneracy Graph Streams
低退化度图流中的四环计数
AI总结 提出两种基于子图采样的算法，分别使用两遍和一遍流式扫描，在低退化度图上实现四环数量的(1+ε)近似，空间复杂度达到理论最优或接近最优。
Comments KDD 2026
Minimizing Total Biharmonic Distance in Large Graphs via Link Recommendation
通过链接推荐最小化大型图中的总双调和距离
AI总结 研究通过添加k条边最小化总双调和距离的问题，提出基于贪心算法和投影法、拉普拉斯求解器、凸包近似等技术的近线性时间算法，在真实数据集上验证了效率和有效性。
Comments This paper has been published in Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.1
Handling Feature Heterogeneity with Learnable Graph Patches
处理特征异质性：可学习图块方法
机构 * Zhejiang University（浙江大学） ； Huazhong University of Science and Technology（华中科技大学） ； Finvolution Group（信也科技集团）
AI总结 提出可学习图块概念，将图分解为语义单元，通过补丁编码器和聚合器实现跨域图数据的可迁移预训练，提升下游任务性能。
Comments Accepted at KDD 2025
Towards Auditing AI Systems in the Wild
野外AI系统审计的探讨
AI总结 本文提出将AI系统审计视为在不确定性下监控约束违规的统计问题，强调开发全生命周期审计框架，以持续评估公平性、安全性等风险控制约束。
Comments Accepted to KDD 2026 (Blue Sky Ideas Track)
OneRank: Unified Transformer-Native Ranking Architecture for Multi-Task Recommendation
OneRank: 面向多任务推荐的统一Transformer原生排序架构
AI总结 提出OneRank，一种Transformer原生多任务排序框架，通过消除编码器-预测器分离并引入任务私有通道，实现任务专用学习并减少干扰，显著提升多任务推荐性能。
Comments KDD 2026 Accepted
UrbanWell: Benchmarking Multimodal Large Language Models for Spatio-Temporal Urban Wellbeing Analytics
UrbanWell: 面向时空城市福祉分析的多模态大语言模型基准测试
机构 * University of Helsinki（赫尔辛基大学） ； Zhongguancun Academy（中关村学院） ； University of Oxford（牛津大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 提出UrbanWell基准，通过卫星和街景图像联合建模，系统评估多模态大语言模型在环境、空间可达性、城市形态、活力和主观感知等5类城市福祉指标上的时空推理能力，并定义时序预测和趋势分类任务。
Comments accepted by KDD Datasets and Benchmarks Track 2026
One Sequential Recommendation Model Pretrained from Synthetic Priors Predicts Multiple Datasets
一个从合成先验预训练的序列推荐模型可预测多个数据集
AI总结 提出SRPFN，一种基于先验数据拟合网络的序列推荐模型，通过离线预训练于合成先验序列，无需目标域梯度更新即可进行单次前向预测，在多个基准上达到最优或次优性能。
Comments Accepted at the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)
CAP: Towards PPG Universal Representation Learning with Patient-level Supervision
CAP：面向患者级监督的PPG通用表示学习
机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Peking University（北京大学） ； Independent Researcher（独立研究者） ； Jinling Clinical Medical College College of Artificial Intelligence Nanjing University of Aeronautics and Astronautics（金陵临床医学院人工智能学院南京航空航天大学）
AI总结 提出CAP方法，通过构建大规模PPG-EHR多模态数据集和跨模态对比对齐，学习患者级临床语义的PPG表示，在四项下游任务中平均提升26.7%，呼吸率预测提升87.6%。
Comments Accepted as an Oral presentation at KDD 2026
Building Customer Support AI Agents at 100M-User Scale: An Evaluation-Driven Framework
构建面向1亿用户规模的客户支持AI代理：一种评估驱动的框架
机构 * Nubank
AI总结 提出一个统一框架，通过评估驱动开发、上下文工程、人工循环提示迭代和LLM评判一致性优化，在Nubank的100M+用户规模下实现客户支持AI代理的离线开发与在线效果桥接，并在五个生产部署中验证了离线指标与在线结果的高度相关性。
Comments 12 pages. Accepted to KDD '26 (32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining)
