KDD 2026将聚焦LLM与图学习的交叉研究，涵盖推荐系统、知识图谱、网络安全等主题。研究赛道包括：基于LLM的知识图谱推荐系统（论文1）、多模态威胁检测（论文2）、长尾文本图数据增强（论文3）、知识图谱问答（论文4）、元认知增强的RAG（论文5）以及扩散模型驱动的知识图谱推荐（论文6）。数据赛道推出LitBench工具（论文7），支持以图为中心的LLM文献任务评测。这些工作展示了LLM与图结构

2026年WWW会议将聚焦LLM与图技术的交叉研究，收录24篇相关论文，主要分为两大类： LLM4Graph：利用LLM处理图任务，涵盖文本属性图（TAG）、知识图谱（KG）和图基础模型（GFM），包括异常检测、分子图编辑、对抗攻击等方向； Graph4LLM：通过图结构增强LLM能力，涉及知识图谱增强生成、多智能体协作框架等。 亮点工作如RAG-GFM解决图模型内存瓶颈，MixRAG实现混合专家

普遍存在的缺失值导致多元时间序列数据只有被部分观测，破坏了时间序列的完整性，阻碍了有效的时间序列数据分析。最近，深度学习插补方法在提高损坏的时间序列数据的质量方面取得了显着的成功，从而提高了下游任务的性能。在本文中，对最近提出的深度学习插补方法进行了全面的调查。首先，提出了所有调研的方法的分类，然后通过强调这些方法的优点和局限性来对这些方法进行结构化介绍。同时还进行了实证实验来研究不同的方法并比较

随着城市的不断发展，城市计算通过利用不同来源（例如地理、交通、社交媒体和环境数据）和模态（例如时空数据，视觉和文本模态）的跨域数据融合的力量，成为可持续发展的关键学科。最近，看到利用各种深度学习方法促进智慧城市跨域数据融合的上升趋势。为此，提出了第一篇综述——系统地回顾了为城市计算量身定制的基于深度学习的数据融合方法的最新进展。具体来说，首先深入研究数据视角，以理解每种模式和数据源的作用。其次，将

本文介绍了一种全新的深度模型架构TimeMixer++，在8个时间序列分析任务中全面超越了Transformer等模型，成功实现了通用的时间序列建模与应用。TimeMixer++的创新之处在于将时间序列转化为图像，并在时域与频域、多尺度、多分辨率下进行特征提取，从而提升了模型的表现。TimeMixer++的成功不仅为时序分析领域带来了新的思路，也展示了一种全新的时序理解视角。未来，随着更多优化技术

WSDM 2026时间序列研究综述：本次会议收录了3篇相关论文，涵盖预测、表示学习和因果分析方向。1）《Can Slow-thinking LLMs Reason Over Time》提出TimeReasoner框架，探索慢思考大语言模型在时序预测中的推理能力；2）《Self-Supervised Representations of Time Series》提出TimeMAE自监督框架，通过解耦

本文总结了WSDM 2026会议中关于时空数据的4篇论文，涵盖交通网络布局、推荐系统、金融交易和交通预测等领域。其中3篇长文分别提出：1）基于扩散模型的交通网络布局优化框架；2）结合信息瓶颈的扩散模型用于下一购物篮推荐；3）双向量量化变分自编码器的金融时空因子模型。1篇短文提出两阶段异常感知框架用于鲁棒交通预测。这些研究通过创新方法解决了各自领域的核心挑战，在实验中均展现出优于现有方法的性能。

本文总结了ICDE 2026会议中时空数据领域的8篇研究论文。研究主题涵盖时空预测、用户轨迹链接、空间众包、空间索引等方向。其中5篇论文已公开预印本，包括基于强化学习的空间索引基准测试、分布式空间连接优化、城市时空预测的Mamba模型等创新工作。其他研究涉及高保真任务分配、大规模路网交通预测、物流轨迹预测等应用场景。这些论文展示了时空数据处理领域在算法优化、模型创新和实际应用方面的最新进展，为相关

本文总结了WWW 2026上有关时空数据（Spatial-Temporal）的相关论文，包含Research和Web4Good两个Track的论文，总计23篇，如有疏漏，欢迎补充。时空数据Topic：交通预测（多模态，大模型等），人群移动预测，城市感知（智能体），信控优化，轨迹表示学习，城市规划等。

本文提出了一种受认知神经科学启发的分层元认知监控智能体架构DS-MCM，用于解决大型语言模型在深度搜索任务中缺乏自我监控能力的问题。该框架通过快速一致性监控器和慢速经验驱动监控器的协同工作，实现了对推理-检索过程的动态调节。快速监控器轻量级检测内部推理与外部证据的一致性，慢速监控器则基于历史经验进行选择性干预。实验表明，DS-MCM在多步推理任务中显著提升了准确性和鲁棒性。该研究为增强AI智能体的