文章总结： 华中科技大学计算机学院本科生彭雨洋、徐燕玲、王舒逸的论文被数据挖掘顶会SIGKDD2026录用。论文提出CoAct框架，通过对比任务分配和推测性冗余机制，解决LLM智能体执行效率瓶颈，无需预训练模型即可提升并行性和资源利用率。该研究为智能体工作流优化提供了新思路。 综合评分： 45 文章分类： 其他

华中科技大学计算机学院本科生论文被数据挖掘顶级会议SIGKDD录用

信息网络安全杂志

2026年7月10日 12:00 上海

在小说阅读器读本章

去阅读

近日，华中科技大学计算机学院本科生论文被数据挖掘顶会SIGKDD 2026录用。其中，2023级本科生彭雨洋、徐燕玲作为共同第一作者，与2023级本科生王舒逸合作完成的论文被SIGKDD 2026 Research Track录用（接受率约18.5%）。

ACM SIGKDD Conference on Knowledge Discovery and Data Mining（SIGKDD）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，长期汇聚该领域最前沿的理论研究与应用成果，被中国计算机学会（CCF）列为A类推荐会议，是学术界和工业界公认的顶级交流平台。KDD 2026为第32届ACM SIGKDD知识发现与数据挖掘大会，将于2026年8月9日至13日在韩国济州国际会议中心（ICC Jeju）举行。

彭雨洋、徐燕玲、王舒逸同学在李钦宾和廖小飞教授的指导下，共同撰写的论文《Parallelizing LLM Agent Execution with Contrastive Task Allocation》（简称 CoAct），聚焦大语言模型智能体（LLM Agent）执行效率这一关键瓶颈问题。论文指出，单智能体通常采用顺序工作流执行任务，而多智能体系统由于子任务间存在依赖关系，当任一子智能体出现故障时，容易导致其他智能体阻塞，从而降低计算资源利用率并限制并行性，成为实际部署中的主要延迟瓶颈。针对这一问题，论文创新性地提出了 CoAct——一种无需预训练模型的并行化框架。该框架将智能体执行过程建模为在线任务分配问题：首先提示 LLM 生成一组离散子任务，随后在可用计算资源上动态调度任务，通过最小化一个增量式的任务对比目标，最大化同一执行路径上任务之间的相似性（正对），同时降低不同路径间的任务相似性（负对），从而有效减少跨工作器的交互与同步开销。CoAct 还进一步引入了选择性重执行的推测性冗余机制（如验证或替代性证据收集），显著提升了系统鲁棒性并缓解了尾延迟问题。研究团队在工具增强型智能体工作负载上对该方法进行了系统评估，实验结果表明，CoAct 在显著提升资源利用率、降低端到端延迟与计算成本的同时，保持了与原始方法相当的求解质量，为在不预训练模型的前提下挖掘 LLM 智能体工作流中的并行潜力提供了全新思路。

来源：华中科技大学

信息网络安全

《信息网络安全》创刊于2001年，是由公安部主管，公安部第三研究所、中国计算机学会主办，面向国内外公开发行的国内首批信息安全类期刊之一，于2015年成为中国科技核心期刊，2017年成为中国科学引文数据库来源期刊，2018年成为中文核心期刊，2022年入选CCF计算领域高质量科技期刊分级目录。

中文核心期刊

中国科技核心期刊

中国科学引文数据库来源期刊

CCF计算领域高质量科技期刊

我们在不断努力和完善中，期待您的关注和支持！

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：信息网络安全杂志 《华中科技大学计算机学院本科生论文被数据挖掘顶级会议SIGKDD录用》