KDD / SIGKDD：从 data mining 顶会到 KDD-shaped paper
KDD 不是“又一个 AI 顶会”，而是 ACM SIGKDD 社群围绕 knowledge discovery、 data mining、data science 和 large-scale AI 形成的旗舰会议。它能接住因果智能、 agent reasoning、research workflow、系统可靠性这些方向，但论文必须被翻译成 KDD 能判断的形态：清楚的数据/知识发现问题、可检验的技术贡献、能说服审稿人的证据， 以及明确的 SOTA 对手。
一句话判断
对 10 Paper Portfolio 来说，KDD 2027 的价值不是先凑一篇投稿，而是用
2026-07-20 / 2026-07-27 这个硬窗口逼第一篇候选进入
claim -> SOTA opponents -> minimal experiment -> reviewer objection -> kill / continue
的投稿级工作流。
SIGKDD 和 KDD 是什么关系
SIGKDD 是 ACM 的 Special Interest Group on Knowledge Discovery and Data Mining。 SIGKDD 的使命是为 knowledge discovery and data mining 这门 science 提供研究、教育和采用的 premier forum。KDD 是这个社群最核心的年度会议。
KDD 2027 的 track map
| Track | 核心问题 | 对 10 Paper Portfolio 的含义 |
|---|---|---|
| Research Track | 是否有新的 knowledge discovery / data science / AI 研究贡献 | 默认首选。因果和 agent 论文如果能形成方法、任务和证据，应优先走这里。 |
| Applied Data Science Track | 是否有已部署系统，并量化 post-launch performance | 当前不默认选。没有部署后指标会 desk reject。 |
| Datasets & Benchmarks Track | 是否提供对 KDD 社群有价值的新 dataset、benchmark、tool 或 data generator | 如果把因果/agent benchmark 做成公开、可复现、可文档化资源，可以考虑。 |
| AI for Sciences Track | 是否用 AI 推动具体科学领域发现，并与 domain experts / domain data 深度绑定 | 只有当论文明确服务某个科学领域时才考虑；一般 methodology 仍应投 Research Track。 |
关键规则：KDD 明确要求选对 track；一篇 paper 只能投一个 track，abstract deadline 后不能 transfer。
Research Track 在看什么
Research Track 的范围覆盖 theoretical foundations、novel models and algorithms、applied problems、 visionary emerging topics，以及有技术贡献的 application-oriented papers。官方列出的方向包括 Foundations of Knowledge Discovery and Data Science、Modern AI and Big Data、Trustworthy and Responsible Data Science、Systems for Data Science and Scalable AI、Data Science Applications。
不能只讲概念框架
必须转成 data science / knowledge discovery / AI problem。
不能只是 LLM demo
需要任务、对手、数据、指标、理论边界或系统性 evidence。
不能只是内部故事
要说明对更广泛 KDD community 的可迁移贡献。
KDD 2027 Cycle 1 的硬约束
| Abstract deadline | 2026-07-19 AoE = 2026-07-20 19:59 CST |
|---|---|
| Full paper deadline | 2026-07-26 AoE = 2026-07-27 19:59 CST |
| Review mode | Research Track 是 double blind |
| Format | ACM double-column，推荐 \documentclass[sigconf,anonymous,review]{acmart} |
| Page limit | 8 页正文，后接 references 和 optional appendix；前 8 页必须自洽 |
| OpenReview | 每个作者必须有完整 OpenReview profile；profile 不完整可 desk reject |
| Abstract | 禁止 placeholder / dummy abstract；标题和摘要大改可能 desk reject |
| Authors | 作者列表和顺序必须在 abstract deadline 前确定 |
| Artifact | submission 时可引用匿名 repo；accepted 后强烈鼓励公开 code/data |
难度和竞争强度
KDD 是强竞争会议。KDD 2025 官方 FAQ 给过一个参考：KDD 2025 August Cycle Research Track overall acceptance rate 是 19%，resubmission papers 是 43%。这个数字不能直接预测 KDD 2027， 但足以说明它不是做成一篇 paper-shaped PDF 就能过的 venue。
对我们几个候选的判断
P02 · Causal Mind Decision Delta
有机会形成 KDD Research paper，但必须把“因果心智改变决策”转成可测任务：真实或半合成的 agent / owner decision cases，ordinary decision protocol vs causal decision protocol 的对照， 以及 priority、dispatch、repair、degradation 等可复核 decision delta。
主要风险： 概念强，实验弱。没有 10 个以上可编码 case 和清晰 baseline，不应进入 full sprint。
P04 · ProviderHealth Probe Semantics
更像 Systems for Data Science / Scalable AI。KDD-shaped claim 可以是：runtime health probes 的 failure-class semantics 能降低错误升级、缩短 triage time，并改善 agent runtime reliability。
主要风险： 如果只是 WeHub 内部运维总结，贡献不够泛化。
P08 · Paper Production State Machine
可以贴近 KDD 的 Systems / Data Science workflow，但不能写成“我们如何管理 10 篇论文”。它必须回答更一般的问题： 如何把 AI-generated research ideas 转成可审计、可杀、可推进的 research production state machine。
主要风险： 容易变成产品介绍或内部流程说明。没有跨候选系统性 evidence，不适合首篇 KDD。
P01 · 基于观测数据进行因果建模的现状和思考
当前是 RQ01 review wedge。要投 KDD，不能写成泛泛 causal inference survey；它需要把 observations 如何成为 causal artifact 的 evidence 讲清楚，并让 distributional effects、 representation sanity、dynamics 和 mechanism pressure 真正改变 paper structure。
主要风险： 如果只是综述已有方法，KDD reviewer 会觉得贡献不够；必须保住 question-first evidence bridge。
我们应该如何用 KDD 约束第一篇
- KDD claim： 这是不是一个 knowledge discovery / data science / AI problem，而不是内部叙事？
- SOTA opponents： 最近三篇最强对手是谁？我们比它们多了什么？
- 48h minimal experiment： 两天内能跑出什么正/负信号？
- Reviewer objection： KDD reviewer 最可能说它 not novel、not enough evidence、not KDD 或 not reproducible 的点是什么？