菠菜平台-十大菠菜平台

近日，中国盘算机学会（CCF）推荐的A类国际学术聚会会议KDD 2025论文接收结果宣布。菠菜平台高瓴人工智能学院师生有16篇论文被录用。国际知识发现与数据挖掘大会 (ACM SIGKDD Conference on Knowledge Discovery and Data Mining，简称KDD) ，是数据挖掘和知识发现领域最具影响力的聚会会议之一，第31届KDD将于2025年8月3日至8月7日在加拿大多伦多举行。

论文介绍

论文题目：Mixing Time Matters: Accelerating Effective Resistance Estimation via Bidirectional Method

作者：崔冠宇，王涵之，魏哲巍

通讯作者：魏哲巍

论文概述：我们研究了在无向图中高效近似盘算有效电阻的问题。有效电阻是一种广泛使用的节点接近度怀抱要领，应用于图的谱稀疏化、多类别图聚类、网络鲁棒性分析、图机械学习等多个领域。具体来说，给定无向图 G 中的任意两个节点 s 和 t，我们的目标是在保证绝对误差 ε 很小的前提下，高效地预计节点 s 和 t 之间的有效电阻值 R(s, t)。下表列举了此前该问题的最优算法的时间庞大度与本文提出的算法的时间庞大度，其中 L 取决于图 G 上随机游走的混适时间，d = min{d(s), d(t)}，而 d(s)、d(t) 划分体现节点 s 和 t 的度数，m 体现图中的边数。考虑到在现实世界网络中 L 往往很是大（例如 L > 10000），我们在 L 上的革新尤为显著，尤其适用于现实网络。我们还在真实和合成图数据集上进行了大量实验，实证展示了我们要领的优越性。实验结果讲明，在保持相同绝对误差的前提下，我们的要领在运行时间上相较于基线要领实现了 10 倍至 1000 倍的加速。

论文介绍

论文题目：Large-Scale Spectral Graph Neural Networks via Laplacian Sparsification

作者：丁海鹏，魏哲巍，叶宇航

通讯作者：魏哲巍

论文概述：近年来，图神经网络（GNN）在体现学习体现了很是优秀的效果，因而成为图上种种任务的重要模型。在多种GNN模型中，使用多项式滤波技术的谱域GNN在同配图和异配图任务上都体现出了可靠的效果。然而，谱域GNN的可扩展性由于其需要在多次图流传中学习多项式系数而受到限制。现有事情实验通过删除输入节点特征后的线性层扩展谱域GNN，但这可能破坏端到端训练，可能影响性能，也可能无法完成高维度输入节点特征的训练。因此，我们提出了“使用拉普拉斯稀疏化的谱域图神经网络”。这是一种新的用于近似图流传特征的图谱稀疏化要领。我们证明了提出的模型可以生成拉普拉斯稀疏算子用于近似牢固系数和可变系数的滤波器，并提供理论保证。我们的要领允许对输入节点特征使用线性层，保证了在处置惩罚纯文本输入特征时的端到端训练。我们的实验包罗了多种图规模，多种差异的图性质，以证明我们提出模型的效率和效果。结果讲明我们的模型可以在多种近似后模型上生成强于原模型的效果，以及在超大规模图 Ogbn-papers100M 和 MAG-scholar-C 上的可靠性。

论文介绍

论文题目：Reasoning-Enhanced Object-Centric Learning for Videos

作者：李健、任普、刘扬、孙浩

通讯作者：孙浩

论文概述：面向工具的学习（Object-centric learning）旨在将庞大的视觉场景剖析为更易处置惩罚的工具级体现，从而提升机械学习系统对物理世界的理解与推理能力。近年来，基于槽位机制（slot-based）的视觉模型在工具支解和跟踪任务中体现精彩，但普遍忽略了高效推理模块的作用。在现实世界中，推理与预测能力在人类感知和目标跟踪中饰演着要害角色，尤其与人类的直觉物理密切相关（例如，人类通过预测机制预先激活与任务相关的表征，从而提升感知与认知效率，使对外界信息的处置惩罚越发高效且准确）。受此启发，我们设计了一种新颖的推理模块——包罗影象缓冲机制的基于槽的时空 Transformer 模块 （STATM），以增强模型在庞大动态场景中的感知与推理能力。该模块中的影象缓冲区用于存储上游模块提取的槽位信息；时空Transformer通过基于槽的时空注意力盘算和融合进行预测。在多个基准数据集上的实验结果讲明，STATM模块能够显著提升多种当前最具代表性的以工具为中心的视频学习模型的性能。此外，作为一个预测模块，STATM在下游的动态预测和视觉问答（VQA）任务中也展现出优异的泛化能力和体现。

论文介绍

论文题目：SlotPi: Physics-informed Object-centric Reasoning Models

作者：李健、万涵、林宁、詹玉梁、程泽睿志、王海宁、张毅、刘红升、王紫东、于璠、孙浩

通讯作者：孙浩

论文概述：通过视觉视察来理解和推理受物理定律支配的动态历程（类似于人类在现实世界中的能力）仍面临诸多挑战。尽管当前模仿人类行为的工具中心动态模拟要领已取得显著进展，但仍忽视了两个要害问题：1）物理知识在模型中的有效融合。人类通过视察世界获取物理知识，并灵活地将其应用于对多种动态场景的准确推理；2）模型在多样化场景中的适应能力验证。现实世界的动态历程，尤其是涉及流体与物体的场景，不仅要求模型能够建模物体间的相互作用，还需具备模拟流体流动特性的能力。为了解决上述问题，我们提出了 SlotPi——一种基于槽位机制、融合通用物理知识的工具中心推理模型。SlotPi将基于Hamiltonian的物理模块与时空预测模块相结合，用于对动态历程进行建模与预测。实验结果讲明，该模型在预测任务和视觉问答（VQA）任务中体现优异，涵盖了多个尺度数据集和流体场景数据集。此外，我们还构建了一个包罗物体交互、流体动力学及流体-物体耦合等现象的真实世界数据集，并在此基础上进一步验证了模型的有效性。SlotPi在所有数据集上均展现出稳定的性能和强大的适应能力，为构建更高级的世界模型奠基了坚实基础。

论文介绍

论文题目：KnowTrace: Bootstrapping Iterative Retrieval-Augmented Generation with Structured Knowledge Tracing

作者：李锐，戴全宇，张泽宇，陈旭，董振华，文继荣

通讯作者：陈旭

论文概述：近期在检索增强生成（RAG）领域的进展为大型语言模型（LLM）提供了迭代检索相关信息的能力，以处置惩罚庞大的多跳问题。这种要领交替进行LLM推理与信息检索，将外部信息积累到LLM的上下文。然而，随着上下文规模的增长，LLM识别要害信息片段及其潜在关联的难度不停增加，由此而发生的无效推理又会进一步加剧信息过载。针对这一挑战，本文提出了KnowTrace，一种创新的RAG框架，旨在有效缓解上下文过载，同时实现多步推理能力的自我提升。差异于简朴聚集检索文本，KnowTrace接纳一个奇特的结构化知识追踪视角，通过自主追踪所需的知识三元组，组织与输入问题相关的特定知识图谱。这种结构化流程设计不仅为LLM提供了越发清晰的推理上下文，还自然衍生出一种知识回溯机制，能够识别对推理结果有实质孝敬的生成内容，形成高质量的历程监视数据用以自我提升。大量实验讲明，KnowTrace在三个尺度多跳问答数据集上始终优于现有基线要领，而且其自我提升版本进一步放大了性能优势。

论文介绍

论文题目：Bridging Textual-Collaborative Gap through Semantic Codes for Sequential Recommendation

作者：刘膏泽，郑博文，赵鑫，文继荣

通讯作者：赵鑫

论文概述：近年来，大量研究致力于通过将富厚的辅助信息与基于ID的协同信息相结合来增强序列推荐系统。本研究特别关注如何利用与物品相关的文本元数据（如标题和品牌）。尽管现有要领通过融合文本表征与ID表征取得了显著结果，但这些要领往往难以在文本表征所嵌入的语义信息与用户行为序列模式中隐含的协同信息之间实现有效平衡。为此，我们提出了基于语义ID的文本与协同语义融合序列推荐要领（CCFRec）。该要领的焦点理念是利用语义ID作为桥梁来弥合文本信息与协同信息之间的语义鸿沟。具体而言，我们通过向量量化技术从多视角文本嵌入中生成细粒度语义ID，继而利用基于交织注意力机制的语义融合模块来灵活地从文本表征中提取并整合语义信息。为进一步增强文本语义与协同语义的融合，我们提出接纳掩码技术的优化战略，该战略包罗两个特定目标：掩码预测建模与掩码序列对齐。这些目标通过掩码预测任务和增强的物品表征，既能捕捉单个物品内部的语义ID关联，又能强化推荐主干网络的序列建模能力。在四个果真数据集上的大量实验讲明，CCFRec具有显著优越性，其性能明显逾越现有主流序列推荐模型。

论文介绍

论文题目：MobileSteward: Integrating Multiple App-Oriented Agents with Self-Evolution to Automate Cross-App Instructions

作者：刘宇轩，孙宏达，刘伟，栾剑，杜博，严睿

通讯作者：严睿

论文概述：Mobile Agent能够资助人们自动化完成手机上的日常任务，已成为一个重要的研究热点。然而，目前接纳面向历程设计的Agent在处置惩罚跨应用指令时面临诸多挑战，包罗：（1）任务关系庞大；（2）应用情况多样化；（3）多步骤执行中的错误流传和信息丢失。受面向工具法式设计的启发，我们提出了一个名为 MobileSteward 的自进化多智能体框架，该框架整合了多个面向应用的 StaffAgents，由一其中心化的 StewardAgent 协调。 MobileSteward 中设包罗三个模块：（1）动态招募（Dynamic Recruitment）通过信息流引导生成调治图，关联差异应用之间的任务；（2）分配执行（Assigned Execution）将任务分配给面向应用的 StaffAgents，每个 StaffAgent 都配备特定应用的专业知识，以应对应用之间的多样性；（3）调整评估（Adjusted Evaluation）进行评估，提供反思建议或通报要害信息，从而缓解多步骤执行中的错误流传和信息丢失。为了连续提升 MobileSteward 的性能，我们开发了一种基于影象的自进化机制，该机制总结乐成执行的经验，以优化 MobileSteward 的性能。我们在真实情况中建设了第一个英文跨应用基准测试（CAPBench），用于评估Mobile Agent解决庞大跨应用指令的能力。实验结果讲明，MobileSteward 在单智能体和多智能体框架中均体现精彩，凸显了其在处置惩罚庞大多样的用户指令方面的优越性。

论文介绍

论文题目：Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction

作者：米源，任普，许洪腾，刘红升，王紫东，郭毅可，文继荣，孙浩，刘扬

通讯作者：孙浩，刘扬

论文概述：数据驱动要领在理解和预测时空动力学方面展现出巨大潜力，为系统的设计与控制提供了更优方案。然而，深度学习模型往往存在可解释性不足、难以遵循内在物理纪律、以及跨域适应能力有限等问题。尽管研究者已提出基于几何的要领（如图神经网络GNN）来应对这些挑战，这类要领仍需从海量数据中挖掘隐含的物理定律，且太过依赖富厚的标注数据。本文提出守恒嵌入图神经网络（CiGNN）, 一种端到端可解释学习框架，基于有限训练数据实现时空动力学建模。该网络通过对称性设计使其切合广义守恒定律，其中守恒与非守恒信息在潜在时间推进战略增强的多尺度空间中通报。基于合成与真实世界数据集的多组时空系统实验验证了模型有效性，其性能显著优于基线模型。结果讲明，CiGNN不仅具有精彩的预测精度和泛化能力，更能直接应用于庞大几何空间域中种种时空动力学的预测学习。

论文介绍

论文题目：TIDFormer: Exploiting Temporal and Interactive Dynamics Makes A Great Dynamic Graph Transformer

作者：彭杰，魏哲巍，叶宇航

通讯作者：魏哲巍

论文概述：动态图广泛存在于社交网络、推荐系统等真实场景中，其焦点挑战在于如何设盘算法模型来捕捉图中节点、边随时间演化的庞大序列关系。近年来，基于Transformer的动态图神经网络因其强大的序列建模能力受到关注，但现有要领普遍存在两大问题：一是动态图上使用的自注意力机制界说缺乏可解释性，难以准确建模节点间的交互动态；二是现有要领对时间动态和交互动态的编码效率低下，依赖庞大的模块设计或采样战略，导致盘算成本高且性能受限。因此，如何设计一个高效且可解释的动态图Transformer框架，成为当前研究的迫切需求。本论文提出TIDFormer模型，针对动态图学习中的交互建模与时间编码问题，提出了交互级可解释自注意力机制，并设计了一套高效的混淆粒度时间编码与双向交互编码模块，显著提升了基于Transformer的动态图神经网络的建模能力与盘算效率。实验结果讲明TIDFormer在真实动态图数据集上取得了优于基线模型的性能，推动了动态图神经网络在时序场景中的高效建模与可解释性生长。

论文介绍

论文题目：Revisiting Clustering of Neural Bandits: Selective Reinitialization for Mitigating Loss of Plasticity（Research Track）

作者：苏智渊，戴孙浩，张骁

通讯作者：张骁

论文概述：无价值函数的强化学习设定（Bandit Setting）近期备受关注，然而将经典的浅层Bandit要领直接扩展到深度神经网络版本时常面临着性能下降的挑战。本文关注CB（Clustering of Bandits）类要领，其基于相似性将赌钱机分组，利用各组的上下文信息显著提升了序列决策的性能，在个性化流媒体推荐等应用中展现了良好的效果和适应性。然而本文发现：当已有CB要领扩展到其神经网络版本CNB（Clustering of Neural Bandits）时，面临着“可塑性丧失”的问题，即：神经网络参数随时间变得僵化，适应性降低，限制了其在动态情况中的适应能力。为解决这一挑战，本文提出了一种新的Bandit强化学习框架SeRe（Selective Reinitialization），利用孝敬效用怀抱自适应地识别、选择性地重置低效用的神经单元，从而有效缓解了深度Bandit要领的可塑性丧失问题。本文在6个实际推荐数据集上验证了SeRe能够有效地缓解CNB要领的可塑性丧失问题，增强其在动态情况中的适应性和鲁棒性；同时从理论上证明，SeRe能够使CNB在分段平稳情况中实现亚线性累积遗憾，确保算法的收敛性。

论文介绍

论文题目：MockLLM: A Multi-Agent Behavior Collaboration Framework for Online Job Seeking and Recruiting

作者：孙宏达，林宏展，闫海钰，宋洋，高欣，严睿

通讯作者：严睿

论文概述：在线招聘平台重塑了求职和招聘流程，使得革新人岗匹配的应用需求正在日益增长。传统要领通常依赖于分析简历和职位描述中的文本数据来学习它们之间的匹配函数，这限制了对有效招聘至关重要的交互动态。大型语言模型 (LLM) 的最新进展体现出其在模拟对话角色方面的巨大潜力，使其成为自适应和情境感知对话应用的理想选择。本文提出了 MockLLM，一个用于生成和评估模拟面试的全新框架。该系统分为两个主要部门：模拟面试生成和基于握手协议的双边评估。通过模拟面试官和候选人的角色，该系统实现了一致、协作的多智能体互动，从而促进了实时、双边的人岗匹配。为了连续提高匹配准确率，MockLLM 进一步融合了反思影象生成和动态战略修改功效，可以凭据以往的匹配经验来优化面试官和候选人的行为。我们基于在线招聘平台BOSS直聘的真实数据对MockLLM进行评估，实验结果讲明，MockLLM在人岗匹配准确率、可扩展性以及差异部门的适应性方面均优于现有模型。这些结果展现了我们的MockLLM在候选人评估和在线招聘领域的巨大潜力。

论文介绍

论文题目：Embedding Prior Task-specific Knowledge into Language Models for Context-aware Document Ranking

作者：王淑婷，朱余韬，窦志成

通讯作者：窦志成

论文概述：利用当前会话中用户的上下文行为已被证明对文档排序任务有利。最近，由于预训练语言模型（PLM）在语言建模方面的卓越能力，上下文感知文档排序任务从这些模型中获益匪浅。大多数基于 PLM 的上下文感知文档排序模型通过在历史搜索日志上微调 PLM 来隐式学习任务特定知识。然而，由于搜索日志数据存在噪声且包罗种种用户意图和搜索模式，这种黑箱方式可能会阻碍模型充实掌握有效的上下文感知搜索知识。为了解决这个问题，我们提出了 LOCK，这是一种基于 PLM 的上下文感知文档排序模型，它通过将任务特定的先验知识显式嵌入到 PLM 中来引导模型优化。从局部到全局，我们确定了三种任务特定的知识类型，包罗会话内信号、会话间信号和全局会话信号。LOCK 将这种先验知识转化为先验注意力偏差，以影响 PLM 的微调。这种操作可以通过任务特定的先验知识引导排序模型，从而提高模型的收敛性和排序能力。此外，我们引入了一个特定任务的预训练阶段，该阶段涉及掩码语言建模和先前注意力矩阵的软重构，这有助于预训练语言模型适应我们的任务。大量的实验验证了我们要领的有效性和收敛性。

论文介绍

论文题目：Learnable-Differentiable Finite Volume Solver for Accelerated Simulation of Flows

作者：闫梦涛、王琦、王海宁、程泽睿志、张翼、刘红升、王紫东、于璠、祁琦、孙浩

通讯作者：孙浩

论文概述：流体流动的模拟对于刻画气象学、空气动力学和生物医学等物理现象至关重要。传统的数值求解器通常需要在时空上使用高分辨率的网格，以满足稳定性、一致性和收敛性的要求，这导致了巨大的盘算开销。尽管近年来的机械学习要领在效率方面体现更优，但它们往往存在可解释性差、泛化能力弱以及对数据依赖性强等问题。为此，我们提出了一种可学习且可微分的有限体积求解器——LDSolver，用于在时空粗网格上高效且准确地模拟流体流动。LDSolver 包罗两个焦点模块：（1）一个可微的有限体积求解器；（2）一个可学习模块，用于在粗网格上对通量（如导数和插值）进行等效近似，并进行时间误差修正。即便在训练数据很是有限的情况下（例如仅包罗少量轨迹），LDSolver 也能显著加速仿真历程，并保持高度准确性与优越的泛化能力。在差异的流动系统（如 Burgers 方程、耗散流、强迫流和剪切流）上的实验结果讲明，LDSolver 实现了当前最优性能，显著优于现有的基线模型。

论文介绍

论文题目：Retrieving Intent-covering Demonstrations for Clarification Generation in Conversational Search Systems

作者：赵梓良，渠常乐，窦志成，陈浩楠，金佳杰

通讯作者：窦志成

论文概述：搜索澄清是开放域对话式网络搜索中的要害用户界面，为模糊或多维度查询生成高质量分面能有效引导消歧并提升用户交互体验。近期，基于大语言模型（LLMs）的上下文学习通过利用静态或基于相似性的示例作为提示，已成为分面生成的重要要领。然而现有要领主要依赖查询相似性，未能考虑查询意图的多维特性，导致大语言模型可能生成与用户需求不符的错误或次优分面。为应对这一挑战，我们提出"意图笼罩"框架，通过选择能全面笼罩查询潜在多样意图的示例来革新澄清分面生成。具体而言：首先训练带束搜索的生成模型预测潜在意图，并构建意图-文档图以捕捉语义关系；随后设计启发式贪心算法，通过最大化意图笼罩度优化示例选择；此外鉴于示例顺序对生成质量的重要影响，开发重排序模型优化示例序列以提升上下文对齐。实验讲明，本要领在多种词汇和语义评估指标上均优于强基线模型。我们进一步深入分析了示例数量、顺序及上下文相关性对生成性能的影响机制。该研究为对话式搜索系统的澄清界面设计提供了新的技术路径和理论洞见。

论文介绍

论文题目：Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation

作者：郑博文、张君杰、卢泓宇、崔成鹏、陈明、赵鑫、文继荣

通讯作者：赵鑫

论文概述：图神经网络（Graph Neural Networks, GNN）因其能够捕捉高阶用户与物品之间的关系，在协同过滤（Collaborative Filtering, CF）中取得了显著进展。为了缓解数据稀疏性并提升体现学习效果，近年来研究者将对比学习（Contrastive Learning, CL）引入到图神经网络中。然而，现有要领在生成对比视图时往往通过对结构或体现的扰动，可能会破坏潜在的协同信息，从而降低正样本对齐的有效性。为了解决这一问题，本文提出了一种全新的图对比学习要领CoGCL。其焦点思想是通过离散code增强对比视图中的协同信息。具体地，本文设计了一种端到端的多级向量量化器，用于将用户和物品的体现编码为包罗协同语义的离散code。基于这些离散code，本文提出虚拟邻居增强和语义相关采样两种战略，划分在结构邻居和语义相似性两个层面构建越发可靠和信息富厚的对比视图。最终，本文将上述增强要领融合为一个三视图的图对比学习框架，有效提升了推荐性能。在四个果真数据集上的实验结果验证了CoGCL的优越性。

论文介绍

论文题目：Tackling the Length Barrier: Dynamic Context Browsing for Knowledge-Intensive Task

作者：钱泓锦，刘政，张配天，毛科龙，周雨佳，陈旭，窦志成

论文概述：知识密集型任务通常需要在长文本上下文中进行庞大推理和语境理解。然而，尽管近年来取得了进展，长上下文大语言模型的训练与部署仍然是一项挑战性问题。在本研究中，我们提出，短上下文大语言模型在处置惩罚具有长上下文的知识密集型任务方面具有巨大潜力——即这些任务可以通过仅依赖输入长上下文中的“理想短上下文片段”来完成。基于这一看法，我们提出了一个名为 DCISO的框架，使得短-LLM能够通过动态浏览上下文来处置惩罚知识密集型的长上下文任务。在该框架中，短-LLM会自行推理并做出两个要害决策：（1）如何会见输入上下文中最相关的部门，（2）如何高效利用所会见的上下文内容。通过凭据具体任务自适应地会见与使用上下文，DCISO 能够作为一个通用框架，用于解决多样化的知识密集型长上下文问题。我们在多个流行的长上下文基准任务上进行了全面评估，实验讲明 DCISO 在种种任务上都取得了显著的性能提升。