← KDD 各届
KDD 2023· Knowledge Discovery and Data Mining
KDD 2023
亮点精读
8 篇 · 获奖 / oral / 高引📈 554 引用
CodeGeeX: A Pre-Trained Model for Code Generation with Multilingual Benchmarking on HumanEval-X
提出CodeGeeX，一个多语言代码生成预训练模型，并在HumanEval-X基准上评估。
💡 首个支持多种编程语言的代码生成模型，推动多语言代码智能发展。
arXiv
📈 379 引用
TSMixer: Lightweight MLP-Mixer Model for Multivariate Time Series Forecasting
提出轻量MLP-Mixer模型TSMixer，用于多变量时间序列预测。
💡 简单结构媲美Transformer，效率高且可解释性强。
arXiv
📈 371 引用
Text Is All You Need: Learning Language Representations for Sequential Recommendation
提出仅用文本特征进行序列推荐，无需交互ID，通过语言模型学习用户偏好。
💡 简化推荐系统，提升跨域和冷启动场景的泛化能力。
arXiv
📈 359 引用
DCdetector: Dual Attention Contrastive Representation Learning for Time Series Anomaly Detection
提出双注意力对比学习框架，通过空间和时间对比学习时间序列表示以检测异常。
💡 首次将双注意力对比学习用于时间序列异常检测，性能显著提升。
arXiv
📈 275 引用
Benchmarking and Defending against Indirect Prompt Injection Attacks on Large Language Models
提出间接提示注入攻击基准并设计防御方法，评估LLM安全性。
💡 首个系统研究间接提示注入攻击，推动LLM安全防护。
arXiv
📈 263 引用
FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large Language Models in Federated Learning
提出FederatedScope-LLM，集成联邦学习与大模型微调，支持多种训练策略。
💡 填补了联邦大模型微调工具空白，降低应用门槛。
arXiv
📈 260 引用
All in One: Multi-Task Prompting for Graph Neural Networks
提出统一多任务提示框架，将节点、边、图级任务转化为图级任务。
💡 首次实现GNN多任务统一学习，提升泛化与迁移能力。
arXiv
📈 222 引用
Adaptive Graph Contrastive Learning for Recommendation
提出自适应图对比学习框架，通过结构感知增强和自训练范式提升推荐性能。
💡 首次将对比学习与图结构自适应结合，显著提升推荐鲁棒性。
arXiv
全部论文
加载中…正在从 DBLP 加载全量论文…
全量索引来自 DBLP · 完整 proceedings 见 官方站点