我所两篇论文被国际顶级会议KDD 2026接收

发布时间：2026年5月19日

      近日，国际学术会议KDD 2026论文接收结果公布，由我所师生共同完成的2篇论文被大会录用。KDD全称为ACM SIGKDD Conference on Knowledge Discovery and Data Mining（KDD） 是数据挖掘与数据科学领域历史最悠久、影响力最高的国际学术会议之一，由美国计算机学会（ACM）旗下 SIGKDD 专业委员会主办，被中国计算机学会（CCF）列为 A 类推荐会议。本次被大会录用的论文相关信息如下：

      论文一

      REM-Flow: Robust and Extensible Multi-Center Sleep Staging via Generative Knowledge Replay

      论文主要由我所博士生宁晓军、靳希源和王晶老师、林友芳老师，本科生李辰璋、万绍文、田瑞铭，以及南洋理工大学丁一老师，中科院自动化所贾子钰老师共同合作完成。

      睡眠分期是评估睡眠质量和诊断睡眠障碍不可或缺的步骤，高度依赖于从复杂的生理时间序列中挖掘具有临床价值的特征知识。然而，由于受试者个体差异和设备异质性所导致的数据分布偏移，在多中心环境下建立鲁棒且具泛化性的知识表征，仍是医疗数据挖掘领域面临的一个根本性挑战。现有的解决方案在多中心扩展场景下表现出的全局鲁棒性十分有限，这意味着模型在适应新中心时会对先前学到的知识产生灾难性遗忘。此外，传统的缓解策略通常需要存储历史原始数据，这违反了协同医疗网络中严格的隐私保护限制。为了弥补这些缺陷，我们提出了REM-Flow，一种面向多中心持续适配场景的鲁棒且可扩展的多中心睡眠分期框架。其核心在于一种新颖的生成式知识重放策略，该策略在满足隐私保护的前提下，通过重构历史域的隐式分布来巩固跨中心知识。通过与混合知识蒸馏目标协同作用，该模型在积极适应新中心的同时，有效缓解了灾难性遗忘。在公开睡眠数据集上的广泛实验表明，REM-Flow在知识留存和持续适应方面均取得了优异的性能，为临床部署提供了一种可扩展且保护隐私的解决方案。

      论文二

      Low-Rank Prior-Induced Consistency Flow Matching for Efficient Traffic Imputation

      该论文由我所师生毛潇苇、吴庭锐、杨雅雯、郭晟楠老师、林彦（奥尔堡大学）、赵世龙、吕皓辰、林友芳老师、万怀宇老师合作完成。

      在智能交通系统中，对时空交通数据中的缺失值进行插补是一项重要的任务。在各种先进的方法中，生成式模型在交通数据插补中展现出了卓越的性能。然而，现有的生成式插补方法在生成过程中的轨迹往往是高度弯曲的，导致推理延迟极高；同时，模型通常从无信息先验开始学习，这在复杂的时空交通数据中带来了巨大的计算冗余。为了解决这些问题，本文提出了一种低秩先验引导的一致性流匹配方法。该方法利用低秩先验来有效引导生成过程，大幅减少了计算冗余。其次，该方法引入了一种不确定性感知的生成轨迹优化机制，通过调节学习过程，有效缓解了精度提升与生成轨迹线性化之间存在的梯度冲突。在极度稀疏的数据条件下进行的实验结果表明，该方法在实现少步数极速推理的同时，显著提升了交通数据概率补全的准确性。