WWW / The Web Conference

Back to the Future: Look-ahead Augmentation and Parallel Self-Refinement for Time Series Forecasting

回到未来：用于时间序列预测的前瞻性增强与并行自我修正

Sunho Kim, Susik Yoon

机构 * Korea University（韩国大学） 纠错

AI总结 Back to the Future通过前瞻性增强和并行自我修正提升时间序列预测的稳定性与准确性。

Comments 4 pages, Short paper accepted at The Web Conference (WWW) 2026

ES-MemEval: Benchmarking Conversational Agents on Personalized Long-Term Emotional Support

ES-MemEval：在个性化长期情感支持中评估对话代理的基准测试

Tiantian Chen, Jiaqi Lu, Ying Shen, Lin Zhang

机构 * Tongji University（同济大学） 纠错

AI总结 ES-MemEval通过评估长期情感支持中的记忆能力，揭示了显式长期记忆对减少幻觉和提升个性化的重要性，同时指出了检索增强模型在时间动态方面的局限性。

Comments 12 pages, 7 figures. Accepted to The Web Conference (WWW) 2026

Cross-Domain Fake News Detection on Unseen Domains via LLM-Based Domain-Aware User Modeling

跨领域假新闻检测：通过基于大语言模型的领域感知用户建模实现未见领域检测

Xuankai Yang, Yan Wang, Jiajie Zhu, Pengfei Ding, Hongyang Liu, Xiuzhen Zhang, Huan Liu

机构 * School of Computing Macquarie University Sydney Australia（计算机学院 马克韦克大学 悉尼 澳大利亚） ； School of Computing Technologies RMIT University Melbourne Australia（计算技术学院 RMIT大学 墨尔本 澳大利亚） ； School of Computing（计算机学院） ； Augmented Intelligence Arizona State University Tempe USA（增强智能 阿拉斯加州立大学 波特 USA） ； Macquarie University（马克韦克大学） ； RMIT University（RMIT大学） ； Arizona State University（阿拉斯加州立大学） 纠错

AI总结 本文提出DAUD框架，利用大语言模型进行领域感知用户建模，以提升未见领域假新闻检测的性能。

Comments This paper has been accepted by The 2026 ACM Web Conference (WWW 2026)

DREAMS: A Social Exchange Theory-Informed Modeling of Misinformation Engagement on Social Media

DREAMS: 基于社会交换理论的社交媒体虚假信息互动建模

Lin Tian, Marian-Andrei Rizoiu

机构 * University of Technology Sydney（技术科技大学） 纠错

AI总结 DREAMS基于社会交换理论，通过序列到序列建模提升社交媒体虚假信息互动预测精度，达到43.6%的性能提升。

Comments 12 pages, 5 figures, 3 tables, Accepted by WWW The Web Conference 2026

OneTrans: Unified Feature Interaction and Sequence Modeling with One Transformer in Industrial Recommender

OneTrans: 一个Transformer实现统一的特征交互和序列建模用于工业推荐系统

Zhaoqi Zhang, Haolei Pei, Jun Guo, Tianyu Wang, Yufei Feng, Hui Sun, Shaowei Liu, Aixin Sun

AI总结 OneTrans通过统一的Transformer架构实现特征交互和序列建模，提升工业推荐系统的性能和效率。

Comments Accepted at The Web Conference 2026 (WWW 2026). Camera-ready version forthcoming

Inferential Question Answering

推断性问答

Jamshid Mozafari, Hamed Zamani, Guido Zuccon, Adam Jatowt

机构 * University of Innsbruck（因斯布鲁克大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； The University of Queensland（昆士兰大学） 纠错

AI总结 本文提出推断性QA任务，通过构建QUIT数据集，发现传统QA方法在推断任务中表现不佳，揭示当前QA流程难以处理基于推断的推理。

Comments Proceedings of the ACM Web Conference 2026 (WWW 2026)

Robust Harmful Meme Detection under Missing Modalities via Shared Representation Learning

在缺失模态下通过共享表征学习实现鲁棒的有害迷因检测

Felix Breiteneder, Mohammad Belal, Muhammad Saad Saeed, Shahed Masoudian, Usman Naseem, Kulshrestha Juhi, Markus Schedl, Shah Nawaz

机构 * Johannes Kepler University（约翰内斯·开普勒大学） ； Aalto University（阿alto大学） ； University of Michigan-Flint（密歇根大学弗林特分校） ； Macquarie University（麦考瑞大学） ； Institute of Computational Perception, Johannes Kepler University Linz（计算感知研究所，约翰内斯·开普勒大学林茨） ； Linz Institute of Technology（林茨技术研究所） 纠错

AI总结 本文提出了一种在缺失模态下通过共享表征学习提升有害迷因检测鲁棒性的方法，实验表明其在文本缺失时性能优于现有方法。

Comments Accepted at WWW2026

HierCon: Hierarchical Contrastive Attention for Audio Deepfake Detection

HierCon：用于音频深度伪造检测的层次对比注意力

Zhili Nicholas Liang, Soyeon Caren Han, Qizhou Wang, Christopher Leckie

机构 * University of Melbourne（墨尔本大学） 纠错

AI总结 HierCon通过层次化层注意力框架和基于边界的对比学习，在音频深度伪造检测中实现更高效的领域不变嵌入建模，显著提升检测性能。

Comments Proceedings of The Web Conference 2026 (WWW'26), short track

Trust in One Round: Confidence Estimation for Large Language Models via Structural Signals

单轮信任：通过结构信号提升大语言模型的置信度估计

Pengyue Yang, Jiawen Wen, Haolin Jin, Linghan Huang, Huaming Chen, Ling Chen

机构 * The University of Sydney（悉尼大学） ； University of Technology Sydney（技术大学悉尼） 纠错

AI总结 通过分析模型最终层隐藏状态轨迹中的多尺度结构信号，提出结构置信度方法，实现单次通过的高效、稳健置信度估计，适用于高社会影响和资源受限的LLM应用。

Comments Accepted at The ACM Web Conference 2026 (WWW 2026)

Hermes the Polyglot: A Unified Framework to Enhance Expressiveness for Multimodal Interlingual Subtitling

赫мес：一种增强多模态跨语言字幕表达力的统一框架

Chaoqun Cui, Shijing Wang, Liangbin Huang, Qingqing Gu, Zhaolong Huang, Xiao Zeng, Wenji Mao

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences Beijing China ； School of AI, University of\ Academy of Sciences Beijing China ； Beijing Jiaotong University Beijing China ； Geely AI lab Ningbo Zhejiang China ； MAIS, Institute of Automation, Chinese Academy of Sciences ； School of AI, University of\ Academy of Sciences ； Beijing Jiaotong University ； Geely AI lab 纠错

AI总结 赫мес通过整合说话人分离、术语识别和表达力增强模块，提升了多模态跨语言字幕的表达力和连贯性，实现了最先进的字幕生成性能。

Comments Accepted to The Web Conference (WWW) 2026

Towards Fair Large Language Model-based Recommender Systems without Costly Retraining

迈向无需昂贵重训练的公平大型语言模型推荐系统

Jin Li, Huilin Gu, Shoujin Wang, Qi Zhang, Shui Yu, Chen Wang, Xiwei Xu, Fang Chen

AI总结 FUDLR提出一种无需昂贵重训练的高效去偏方法，通过两阶段机器无学习提升LLM推荐系统的公平性，同时保持推荐准确性。

Comments Accepted by WWW 2026

Weighted Graph Clustering via Scale Contraction and Graph Structure Learning

基于尺度收缩和图结构学习的加权图聚类

Haobing Liu, Yinuo Zhang, Tingting Wang, Ruobing Jiang, Yanwei Yu

机构 * Ocean University of China（中国海洋大学） 纠错

AI总结 本文提出一种基于尺度收缩和图结构学习的加权图聚类方法，通过收缩图规模和识别噪声边来提升聚类效果。

Journal ref WWW2026

Global Feature Enhancing and Fusion Framework for Strain Gauge Time Series Classification

基于应变计时间序列分类的全局特征增强与融合框架

Xu Zhang, Peng Wang, Chen Wang, Zhe Xu, Xiaohua Nie, Wei Wang

机构 * Shanghai Key Laboratory of Data Science, School of Computer Science Fudan University（上海数据科学关键实验室，计算机科学学院，复旦大学） ； National Engineering Research Center for Big Data Software Tsinghua University（大数据软件国家工程研究中心，清华大学） ； School of Software Tsinghua University（软件学院，清华大学） ； National Key Laboratory of Strength and Structural Integrity, Aircraft Strength Research Institute of China（强度与结构完整性国家重点实验室，中国航空强度研究室） 纠错

AI总结 本文提出基于超图的全局特征学习与融合框架，通过特征工程和高阶关系学习提升应变计时间序列分类的准确性。

Comments The paper is published in the ACM Web Conference 2025, WWW 2025 Industry Track. The code is available at the link https://github.com/Meteor-Stars/GFEF