期刊&会议
ACM SIGKDD Conference on Knowledge Discovery and Data Mining · 会议 · Data Mining
估计时机对优惠券有效性的影响
机构 * Mercari, Inc.（Mercari公司）
AI总结 提出一个因果推断框架，利用自然随机对照试验估计在关键时机发送优惠券的效果，无需专用AB测试，并通过案例和公开数据集验证其有效性。
Comments 12 pages, 5 figures. Published in Proceedings of the 1st Workshop on End-End Customer Journey Optimization, co-located with KDD 2022, August 15, 2022, Washington, DC
双边市场中供给增量的估计：一种因果机器学习方法
机构 * Airbnb, Inc.（爱彼迎公司）
AI总结 本文提出一种结合双重/去偏机器学习与层次贝叶斯框架的因果方法，利用地理空间相似性度量估计双边市场中新增供给对交易量的影响，并在Airbnb数据上验证了其合理性和强样本外性能。
Comments 5 pages, 3 figures. Accepted at the KDD 2025 Workshop on Causal Inference and Machine Learning in Practice (not presented)
具有竞争目标和受限实验的市场政策个性化：来自求职市场的证据
机构 * LinkedIn Corporation（领英公司）
AI总结 针对双边市场政策个性化中跨方外部性和市场干扰问题，提出集成框架，通过混合排名模型和目标外推方法，在满足约束条件下提升目标指标。
Comments 10 pages, 6 figures. Accepted at ACM SIGKDD 2026 (Applied Data Science Track)
对比反思：迭代提示优化
机构 * LinkedIn（领英）
AI总结 提出对比反思框架，通过对比失败与成功行为，迭代优化检索增强生成代理的提示，在HotpotQA上准确率从51.4%提升至60.4%。
Comments 6 pages, 1 figure. To appear at Agent4IR @ KDD 2026 (KDD 2026 Workshop on AI Agents for Information Retrieval)
APAO：面向生成式推荐的自适应前缀感知优化
AI总结 针对生成式推荐中训练与推理不一致的问题，提出自适应前缀感知优化框架，通过前缀级损失和自适应最差前缀优化策略，提升模型在束搜索下的候选保留能力。
Comments Accepted by KDD'26
解释带有隐藏群体奖励的排名
AI总结 针对敏感属性隐藏但通过群体特定线性奖励影响排名的问题，提出基于约束满足和自动推理的算法，联合推断线性评分参数和潜在群体奖励，并证明问题在一般情况下的NP难性及固定维度下的多项式可解性。
Comments Accepted at KDD 2026 Research Track
ReplicatorBench：用于社会科学和行为科学中可复制性评估的LLM代理基准测试
机构 * University of Notre Dame（圣母大学） ； Old Dominion University（老道明大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Independent Researcher（独立研究员） ； Uppsala University（乌普萨拉大学） ； Center for Open Science（开放科学中心）
AI总结 本文提出ReplicatorBench，一个端到端的基准测试，用于评估AI代理在可复制性研究中的能力，涵盖数据提取、实验设计与结果解释三个阶段，并开发了ReplicatorAgent框架以评估不同LLM和编程语言的性能。
Comments Accepted to KDD 2026 AI4Sciences Track, Camera-ready version
非结构化度假租赁图像集合中的房间场景发现与分组
机构 * Expedia Group（Expedia集团）
AI总结 针对度假租赁平台图片缺乏结构化分类的问题，提出一种低延迟、样本高效的机器学习流水线，通过监督式房间类型检测、重叠检测和聚类算法实现房间分组，并利用多模态大语言模型识别床型，显著优于对比学习和预训练嵌入聚类方法。
Comments Presented at the Two-sided Marketplace Optimization Workshop, KDD 2025
通过方程引导的合成异常重新定义海上异常检测
机构 * Seoul National University（首尔国立大学） ； KRISO（韩国海洋研究组织）
AI总结 针对海上异常检测中缺乏标签和交互驱动异常的问题，提出基于方程引导的异常分类法，并构建统一评分-合成-标注流程，生成时间戳级标签，评估多种模型性能。
Comments 12 pages, KDD 2026 Oral
面向旅游的推理大语言模型：基于领域特定知识图谱
机构 * Expedia Group（Expedia集团）
AI总结 提出一种模块化流水线，利用专家构建的知识图谱生成多跳问答对，微调大语言模型以提升旅游领域推理的准确性和校准能力，在基准上达到82.4%精确匹配。
Comments Accepted to the Uncertainty Reasoning and Quantification in Decision Making (UDM) Workshop, KDD 2026 (To be presented in August 2026)
基于弱监督的ML驱动的LDAP侦察检测
机构 * CrowdStrike
AI总结 提出两种机器学习框架检测LDAP侦察：弱监督分类器预测恶意查询，以及基于统计假设检验的签名挖掘方法，实现高效部署。
Comments to appear in Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining
微调是否会抹去你的修改？关于知识编辑与适应脆弱共存的研究
AI总结 研究探讨了微调对知识编辑的影响，发现微调会显著降低编辑效果，且仅微调编辑层可有效去除编辑，同时保持下游性能。
Comments Accepted to KDD 2026
LoRAShield: 无数据编辑对齐用于安全的个性化LoRA分享
机构 * Zhejiang University（浙江大学） ； Guizhou Medical University（贵州医科大学）
AI总结 LoRAShield通过对抗优化和语义增强动态编辑和对齐LoRA权重子空间，有效阻止恶意生成，保障个性化模型的安全共享。
Comments Accepted by SIGKDD 2026 Cycle2
对重要任务的基准测试：用于保持模型排名的数据集选择
机构 * Applied AI Institute Moscow（莫斯科应用人工智能研究所）
AI总结 提出一个框架，通过评估不同选择策略如何保持全局模型排名，从大量数据集中选择代表性子集，并利用自举聚合提供置信区间。在时间序列分类和NLP基准上，简单策略如FAFI优于随机选择；在推荐系统中改进不显著。
Comments Accepted to the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)
多期波动率预测中的部署侧自适应性
机构 * The University of Bristol（布里斯托大学）
AI总结 研究多期波动率预测中，通过改变推理时的展开规则来提升预测性能，发现验证集选择的部署策略能有效改善MIMO模型性能，且策略选择对评估指标敏感。
Comments Accepted for KDD 2026 Machine Learning in Finance Workshop
使用线性上下文赌博机学习同伴影响概率
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
AI总结 针对网络环境中同伴影响概率的异质性问题，提出基于线性上下文赌博机的在线学习框架，揭示遗憾最小化与估计误差之间的权衡，并设计可调参数的不确定性引导探索算法实现任意权衡点。
Journal ref In 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. ACM, New York, NY, USA, 12 pages
基于稀疏MLP值向量的免训练真实性检测
机构 * Beijing Institute of Technology（北京理工大学）
AI总结 提出TruthV方法，利用MLP值向量中稀疏子集的稳定方向性信号，无需训练即可检测LLM生成内容的真实性，在多个基准上超越现有免训练方法。
Comments KDD 2026 Oral
设计便携查询生成的奖励信号：工业语义职位搜索案例研究
机构 * LinkedIn Corporation（领英公司）
AI总结 提出RLAIF框架生成便携职位搜索查询，通过奖励塑造解决策略优化中的奖励黑客问题，实验表明稳健奖励设计比优化器选择更关键。
Comments Accepted to KDD 2026 Workshop on AI Agent for Information Retrieval (Agent4IR)
AIGP：基于LLM的电商定价长期价值对齐框架
机构 * Taobao & Tmall Group of Alibaba（阿里巴巴淘宝天猫集团）
AI总结 提出AIGP框架，利用大语言模型结合领域知识与结构化数据，通过离线强化学习训练的长期价值评估器进行偏好优化，实现可解释的定价决策，在淘宝工厂的在线实验中GMV提升13.21%。
Comments Accepted by KDD 2026 Applied Data Science Track (Oral presentation)
MKG-RAG-Bench：多模态知识图谱增强生成中的检索基准
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Michigan State University（密歇根州立大学） ； Dalian University of Technology（大连理工大学） ； Stony Brook University（石溪大学）
AI总结 提出MKG-RAG-Bench基准，通过构建跨领域多模态知识图谱和问答数据集，系统评估多模态知识图谱增强生成中的检索性能，揭示检索质量对生成结果的决定性作用。
Comments Accepted by KDD'26
MORL-A2C：用于优化MOPI-HFRS健康性的多目标强化学习重排序器
机构 * University of Connecticut（康涅狄格大学）
AI总结 提出MORL-A2C，将食物推荐建模为K步重排序问题，利用冻结图神经网络嵌入和优势演员-评论家算法，在保持排序质量的同时显著提升健康对齐度。
Comments Accepted at the International Workshop on Resource-Efficient Learning for Knowledge Discovery (RelKD) at ACM SIGKDD 2026
BCoughBench：在体耦合可穿戴传感器条件下对呼吸声学基础模型进行基准测试
机构 * Centific Global Solutions Inc.（Centific全球解决方案公司） ； North Carolina State University（北卡罗来纳州立大学）
AI总结 针对体耦合可穿戴传感器导致高频衰减的问题，提出BCoughBench基准，评估五种呼吸声学基础模型在九项分类和三项回归任务上的性能，发现模型可靠性下降，性别分类性能崩溃，而COVID检测几乎不受影响。
Comments Accepted to the KDD 2026 Workshop on Reliable Scientific Foundation Models (RelSciFM)
基于黎曼自注意力的鲁棒脑电解码方法
机构 * School of Artificial Intelligence and Computer Science（人工智能与计算机科学学院） ； Jiangnan University（江南大学） ； Department of Information Engineering and Computer Science（信息工程与计算机科学系） ； University of Trento（特伦托大学） ； Centre for Vision, Speech and Signal Processing (CVSSP)（视觉、语音与信号处理中心） ； University of Surrey（萨里大学）
AI总结 针对脑电解码中信号低信噪比和现有黎曼方法依赖特定度量的局限，提出基于Bures-Wasserstein度量的黎曼自注意力网络及其可推广版本GBWAtt，在三个数据集上验证了鲁棒性和有效性。
Comments Accepted by KDD 2026
EPTS：弹性后训练稀疏性用于高效大型语言模型压缩
机构 * School of Artificial Intelligence（人工智能学院） ； Anhui University（安徽大学） ； School of Computer Science and Technology（计算机科学与技术学院） ； Tiangong University（天工大学）
AI总结 提出弹性后训练稀疏性（EPTS）框架，通过单次优化生成单一弹性模型，支持多种稀疏度配置，解决传统方法需为每个稀疏度单独优化的效率问题。
Comments KDD 2026
大规模零样本检索的极端元分类
机构 * Microsoft Research（微软研究院） ； Microsoft（微软） ； Indian Institute of Technology（印度理工学院）
AI总结 提出EMMETT框架和IRENE算法，通过为新颖项即时合成分类器，解决大规模零样本检索中模型容量与泛化能力的矛盾，在Recall@10上提升高达15%，并在实际广告检索中提升点击率4.2%。
Comments Accepted at KDD 2024, 20 pages
Journal ref Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, ACM, 2024
算子提升产生帕累托高效的PDE代理模型
机构 * College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院） ； Department of Mathematics and Systems Engineering, Florida Institute of Technology（佛罗里达理工学院数学与系统工程系）
AI总结 提出算子提升框架，通过残差学习直接构建紧凑神经算子代理，在30个数据集-架构对上平均准确率提升，参数量减少72-95%，并在多个PDE基准上实现帕累托改进。
Comments 11 pages, 3 figures, 3 tables. Submitted to ACM SIGKDD 2027 AI4Sciences Track
TASR：无需训练的迭代检索自适应停止规则
AI总结 提出TASR，一种无需训练的迭代检索停止规则，通过重复答案检测和逻辑回归边际阈值减少冗余检索，在多种配置下保持高F1值并降低调用次数。
Comments 20 pages, 5 figures. Accepted at Agent4IR Workshop, KDD 2026
利用数据驱动AI揭示复合洪水的内在机制
机构 * Florida International University（佛罗里达国际大学） ； Florida State University（佛罗里达州立大学） ； UIUC（伊利诺伊大学香槟分校） ； University of Houston（休斯顿大学） ； NEC Lab America（NEC美国实验室） ； Singapore Management University（新加坡管理大学）
AI总结 通过整合潮汐、降雨、地下水位和人类水管理活动，利用数据驱动方法分析南佛罗里达复合洪水，发现地下水位是主要预测因子，空间耦合状态比长期时间依赖更重要。
Comments Accepted to SIGKDD 2026 AI for Science Track; 12 Pages, 5 Figures, 6 Tables
基于多目标强化学习的LLM预训练整体数据调度器
机构 * China Electronics Technology Group Corporation 15th Research Institute（中国电子科技集团公司第十五研究所） ； Renmin University of China（中国人民大学） ； Alibaba Group（阿里巴巴集团）
AI总结 提出HDS框架，将数据调度建模为连续控制空间的强化学习问题，利用SAC算法和融合数据质量、跨域影响及模型权重的多目标奖励函数，在The Pile上减少44%训练迭代达到同等困惑度，并在MMLU等任务上提升7.2%。
Comments Our code is at https://github.com/DANG-ai/LLM-Training-Holistic-Data-Schedule
Journal ref Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026), Vol. 1, pp. 176-187, 2026
解读3D分子表面指纹以实现准确的表位预测
机构 * Stanford University（斯坦福大学） ； The University of Tokyo（东京大学） ； Amazon AWS（亚马逊AWS）
AI总结 提出SurfBind框架，直接基于分子表面表示，通过Transformer架构、补丁级表面建模、结合物感知交叉注意力和分层粗到细预测范式，实现表位预测，在SAbDab和DB5.5基准上达到最先进性能。
Journal ref KDD 2026 AI4Science
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈