• 隐私问题至关重要：数据攻击导致用户偏好在推荐系统中无法被重新学习（即用户偏好被永久改变）

  推荐系统隐私保护方法ULRec研究，提出伪造交互数据双层次优化框架，在用户隐私与推荐准确间取得平衡，实验验证其有效性。

  来源：ACM Transactions on Information Systems

  时间：2026-04-22

• OpenEP：开放式未来事件预测

  开放式未来事件预测（OpenEP）突破传统分类任务限制，提出动态数据集OpenEPBench，支持多视角开放性问题生成和自由格式结果标注，结合利益相关者扩展与类比事件分析，实验表明现有LLM难以准确预测开放式未来事件，为后续研究提供新方向。

  来源：ACM Transactions on Information Systems

  时间：2026-04-22

• 基于ECC的安全认证协议，确保工业物联网中的隐私

  物联网在工业领域应用广泛，但存在数据传输安全隐患。本文提出一种基于椭圆曲线密码学的三因素认证与密钥交换机制，通过ECC、异或运算和哈希函数提升IIoT环境下的数据安全性，同时降低计算和通信成本。

  来源：ACM Transactions on Internet Technology

  时间：2026-04-22

• cGenEDA：用于电子设计优化的代码生成工具

  针对工程逆设计问题中复杂混合整数优化挑战，提出基于生成式概率模型（如LLM）的自动化设计系统cGenEDA，通过多智能体协作实现设计概念生成、优化问题定义与自动化设计，支持长序列仿真代码生成与直接模型输入，结合黑盒优化算法高效解决逆设计问题。

  来源：ACM Transactions on Design Automation of Electronic Systems

  时间：2026-04-22

• HMamba：用于序列推荐的“双曲曼巴”模型

  序列推荐系统需兼顾时间效率与层次结构建模，现有方法存在效率与层次平衡的困境。本文提出Hyperbolic Mamba（HMamba），通过超球面几何和曲率感知状态空间实现双重优化，在保持3.2倍训练速度的同时提升3-11%准确率，解决了深层长序列建模难题。

  来源：ACM Transactions on Information Systems

  时间：2026-04-22

• 理解产品搜索中异常项的视觉显著性

  在二手市场环境中，异类项的感知受底层视觉因素（如颜色、对比度）和顶层认知因素（如任务预期、知识储备）共同影响。通过对比Itti & Koch模型与图基视觉显著性模型（GBVS），发现后者更擅长检测图像类异类项。眼动实验显示，在模拟电商场景中，异类项的注视时长比非异类项多23.6%，且位置偏差效应不显著。但现有模型仅依赖底层特征，无法有效区分价格、星级等异类项类型间的竞争关系。

  来源：ACM Transactions on Information Systems

  时间：2026-04-22

• 用于宇宙微波背景（CMB）实验的FDM读出系统中电气串扰的特性分析

  低温度探测器中LC滤波器系统电气串扰抑制研究。测试分析荷兰SRON机构为SWIPE实验制备的LC芯片，包括自谐振频率、品质因数Q（>10^4量级）及寄生电阻（约10^-4）等关键参数。研究温度与偏置设置对LC滤波器及SQUID输入线圈的影响，通过建模与实验验证电气串扰水平达10^-4量级。

  来源：IEEE Transactions on Applied Superconductivity

  时间：2026-04-22

• TrEnv-X：在不同函数和节点之间透明地共享无服务器执行环境

  针对服务器less计算中本地专用环境限制内存弹性的问题，提出TrEnv-X系统，通过操作系统与CXL/RDMA远程内存池的整合，实现可共享沙盒和内存模板优化，显著降低容器函数和LLM agents的延迟与内存使用，P99延迟降低58%，内存节省61%。

  来源：ACM Transactions on Computer Systems

  时间：2026-04-22

• 衡量虚假信息（的缺乏）的质量

  本研究通过元数据分析和文本特征量化评估，对比可靠与不可靠新闻源的信息质量。实验发现词汇连贯性和多样性是区分信源最显著的指标，结构错误率次之，而时效性和可读性区分能力较弱。提出的新闻可靠性指数（NRI）可作为补充指标，但需结合语义分析。研究指出生成式AI可能降低结构指标有效性，验证自动化仍需语义核心分析。

  来源：Journal of Data and Information Quality

  时间：2026-04-22

• 超越简单的重新标记：一种用于在分类和回归任务中纠正噪声标签的样本检查框架

  标签噪声是监督学习的核心挑战，现有方法假设单次人工修正即可纠错，但忽视了人类判断的固有缺陷。本文提出通用标注修正框架，借鉴工业样本检测技术，通过迭代的不确定性采样与目标检测机制，结合多数投票（分类）和平均校正（回归）策略，系统性优化标注噪声。实验表明，该框架在合成数据集和真实图像数据集上均显著优于基线方法，尤其与XGBoost等强学习者结合时效果更佳，验证了样本检测机制在分类和回归任务中的可扩展性与成本效益优势。

  来源：Journal of Data and Information Quality

  时间：2026-04-22

知名企业招聘：