데이터를 캐던 학회가
추론하는 시스템의 학회가 되었다

먼저 학회의 공식 구조부터 보자. KDD 2026의 Research Track은 연구 범위를 다섯 가지로 정의한다. ① Knowledge Discovery/Data Science의 기초, ② Modern AI and Big Data, ③ Trustworthy and Responsible Data Science, ④ Systems for Data Science and Scalable AI, ⑤ Data Science Applications가 그것이다. 여기에 더해 KDD 2026은 별도의 Datasets & Benchmarks, AI for Sciences, Blue Sky Ideas 트랙까지 강화했다.¹ 트랙의 구조 자체가 이미 하나의 선언이다. 모델을 만드는 일과 그것을 평가하고, 과학에 적용하고, 미래를 상상하는 일을 학회가 각각 독립된 연구 축으로 인정했다는 뜻이다.

KDD 2026에서 가장 두드러지는 변화는 이것이다. LLM을 단순한 생성 모델로 다루는 연구보다, LLM이 어떻게 기억하고 검색하고 계획하고 검증하고 행동할 것인가를 다루는 연구가 크게 늘었다. 숫자가 그것을 증언한다.

이 흐름이 뜻하는 바는 분명하다. LLM 연구의 질문이 "더 좋은 언어모델을 어떻게 만들 것인가"에서 "주어진 환경과 지식 속에서 모델이 어떻게 스스로 문제를 분해하고, 도구를 선택하고, 결과를 검증할 것인가"로 바뀌고 있다. AURORA는 process reward model을 자동으로 학습하는 문제를 다루고, LC-ERD는 일관성 기반 보상 분해를 통해 self-evolving reasoning을 지향한다. Interactive Recommendation Agent with Active User Commands는 추천 시스템 자체를 사용자의 명령과 상호작용하는 agent 문제로 확장한다.

두 번째 핵심은 retrieval과 knowledge graph의 재부상이다. 제목 분석에서 retrieval은 2025년 27건에서 2026년 61건으로, retrieval augmented는 6건에서 29건으로, retrieval augmented generation은 3건에서 18건으로 늘었다. knowledge graph 역시 11건에서 27건으로 크게 증가했다.

대표작인 Towards Self-cognitive Exploration: Metacognitive Knowledge Graph Retrieval Augmented Generation은 이름 그대로 Knowledge Graph와 RAG에 메타인지적 탐색을 결합한다. 벡터 데이터베이스에서 관련 문서를 찾아 프롬프트에 밀어 넣는 기존 RAG를 넘어, 모델이 "무엇을 알고 무엇을 모르는지"를 스스로 판단하면서 그래프 구조를 따라 필요한 지식을 골라내는 방향이다.

Learning Graph Rationales to Compress Long Chains of Thought in Multimodal Reasoning은 그래프를 단순한 데이터 구조가 아니라 추론 경로를 표현하고 압축하는 구조적 표현으로 쓴다. 실제 프로그램에서도 이 논문은 "Graphs for LLM Reasoning & Memory" 세션에 배치되어 있다. 그래프와 LLM의 결합이 KDD 2026에서 하나의 명확한 연구 축으로 자리 잡았다는 증거다.

흥미로운 대목이 있다. 전통의 graph neural network는 29건에서 13건으로 줄었는데 knowledge graph는 크게 늘었다. 그래프 연구가 쇠퇴했다고 읽으면 오독이다. GNN architecture 중심 연구에서 Graph+LLM, Graph+RAG, Graph+Reasoning, 동적 그래프 분석으로 관심의 중심이 이동하고 있다는 신호로 해석하는 편이 타당하다.

추천시스템은 여전히 KDD의 가장 강력한 전통 분야다. recommendation이 포함된 제목은 2021년 25건, 2024년 50건, 2025년 64건, 2026년 107건으로 꾸준히 늘었다. 특히 generative recommendation은 2025년 1건에서 2026년 20건으로 급증했다.

여기서 중요한 변화는 추천을 더 이상 단순한 user–item score prediction으로 취급하지 않는다는 점이다. Sequential recommendation, cross-domain recommendation, generative retrieval, diffusion 기반 추천, LLM recommendation agent가 하나의 큰 흐름으로 결합되고 있다.

Towards A Tri-View Diffusion Framework for Recommendation은 diffusion 생성 모델을 추천에 적용하고, 앞서 언급한 Interactive Recommendation Agent with Active User Commands는 사용자가 추천 목표를 직접 수정하는 interactive agent로 발전시킨다. Applied Data Science 쪽에서는 Pinterest의 PinRec: Unified Generative Retrieval Model for Pinterest Recommender Systems 같은 실제 대규모 서비스 사례가 등장한다.

KDD의 또 다른 큰 축은 시계열이다. 제목 기준 time series는 2024년 35건, 2025년 53건, 2026년 66건이고, forecasting은 같은 기간 18건 → 35건 → 64건으로 늘었다. spatio temporal도 2026년에 22건 나타난다.

중요한 것은 개별 forecasting algorithm의 경쟁에서 벗어나 Time Series Foundation Model로 연구의 수준이 올라갔다는 사실이다. TS-Memory: Plug-and-Play Memory for Time Series Foundation Models는 기존 foundation model에 외부 memory를 붙여 도메인 지식과 과거 패턴을 활용하게 하고, 같은 프로그램에는 From Tokenizer Bias to Backbone Capability: A Controlled Study of LLMs for Time Series Forecasting처럼 LLM을 시계열에 적용할 때 무엇이 실제 성능을 결정하는지 해부하는 연구도 있다.

교통·모빌리티 영역에서는 MoST: A Foundation Model for Multi-modality Spatio-temporal Traffic Prediction이, 대규모 장기예측에서는 FaST 같은 Mixture-of-Experts 기반 방법이 보인다. 결국 시계열 역시 작업별 전용 모델에서 범용 foundation model + memory/adaptation 구조로 진화하고 있다.

multimodal이라는 표현은 2025년 19건에서 2026년 67건으로 크게 늘었고, foundation model도 16건에서 36건으로 증가했다. Vision-Language Model, multimodal retrieval, multimodal ranking, multimodal reasoning뿐 아니라 과학·의학의 다양한 데이터 유형까지 이 흐름에 들어온다.

흥미로운 점은 이미지+텍스트 모델을 하나 더 만드는 수준이 아니라 representation을 공통 잠재공간으로 통합하고 reasoning과 retrieval을 함께 수행하는 구조가 늘고 있다는 사실이다. Applied Data Science의 UniNote: A Unified Embedding Model for Multimodal Representation and Ranking이나 Research Track의 multimodal document retrieval·multimodal reasoning 논문들이 이를 잘 보여준다.

그러니 "multimodal"을 KDD 2026에서 별도의 영상 분야로 읽어서는 곤란하다. 추천·검색·RAG·LLM·과학 데이터를 연결하는 공통 표현 계층으로 자리 잡고 있다고 보는 것이 적절하다.

KDD가 NeurIPS/ICML과 구별되는 특징 하나는 실제로 대규모 데이터를 처리하는 시스템 문제가 강하다는 점이다. 공식 Research Track도 distributed computing, federated learning, cloud systems, orchestration, scheduling을 명시적인 연구 영역으로 규정한다.¹

2026년 논문에서는 이 주제가 LLM 시대에 맞게 확장된다. OrionInfer: Low-Overhead Parallelism Switching and Live Migration for Efficient LLM Serving은 LLM inference serving에서 병렬화 전략의 동적 전환과 live migration을 다룬다. Lethe는 resource-efficient on-device continual learning을, NodeBits는 graph inference를 위한 post-hoc binary quantization을 다룬다.

이런 연구들이 말해 주는 것은 하나다. KDD 2026에서 "좋은 AI 모델"의 정의가 accuracy뿐 아니라 latency, memory, throughput, adaptability, serving cost까지 포함하는 방향으로 넓어졌다.

공식 Research Track은 privacy, adversarial robustness, explainability, fairness, accountability, algorithmic auditing을 별도의 핵심 영역으로 규정한다.¹ 논문 목록에서도 데이터 poisoning, backdoor attack, federated learning security, model editing, misinformation, OOD detection, fairness, unlearning이 폭넓게 나타난다.

Devil's Hand: Data Poisoning Attacks to Locally Private Graph Learning Protocols는 privacy-preserving graph learning 자체가 공격표면이 될 수 있음을 보여주고, LoRAShield: Data-Free Editing Alignment for Secure Personalized LoRA Sharing은 개인화 LoRA 공유 과정의 보안과 alignment 문제를 파고든다.

제목 기준 alignment는 2025년 13건에서 2026년 32건으로, safety는 2건에서 12건으로, hallucination은 2024년 1건에서 2026년 9건으로 늘었다. 생성형 AI 연구의 무게중심이 "무엇을 생성할 수 있는가"에서 "어떻게 신뢰 가능한 방식으로 생성하고 판단하게 할 것인가"로 이동하고 있음을 보여주는 지표다.

KDD 2026에서 Datasets & Benchmarks Track은 독립적인 연구 축으로 자리 잡았다. 공식 설명은 새로운 데이터셋뿐 아니라 benchmark, 데이터 생성·curation·evaluation methodology, open-source tools를 주요 기여 대상으로 규정하고, 접근성·문서화·영향력·윤리성까지 평가한다.²

실제 논문에는 Step-TP처럼 LLM 기반 tensor program optimization을 위한 step-level Chain-of-Thought 데이터, TemporalBench처럼 contextual/event-informed time-series task에서 LLM agent를 평가하는 benchmark, WebGen-V Bench처럼 LLM 기반 웹 생성의 시각적 디자인을 평가하는 benchmark가 포함된다.

제목의 benchmark 출현은 2025년 29건에서 2026년 89건으로 늘었다. 이유는 자명하다. foundation model과 agent의 등장으로 단일 accuracy metric만으로는 시스템의 능력을 설명하기 어려워졌고, 평가 데이터와 평가 프로토콜 자체가 핵심 연구 대상이 되었다.

KDD 2026에서 가장 중요한 제도적 변화 하나는 처음 도입된 AI for Sciences Track이다. 공식 CFP는 AI-driven scientific discovery, AI-accelerated simulation, data-rich science, scientific foundation models를 핵심 영역으로 명시하고, 물리·재료·생명·의학·기후·에너지·로봇·도시·사회과학까지 포괄한다.³

논문 구성도 상당히 넓다. HD-Prot는 protein sequence와 structure를 연속 structure token으로 함께 모델링하는 Protein Language Model이고, OOD-GraphLLM은 Graph LLM을 이용한 out-of-distribution drug synergy prediction을 다룬다. POLO는 reinforcement learning을 lead optimization에 적용하며, 이 외에도 power-grid optimization, regional drought forecasting, 의료 multimodal reward modeling 같은 문제가 포함된다.

핵심은 "AI를 과학 데이터에 적용한다"는 수준을 넘어섰다는 데 있다. 과학적 구조·물리적 제약·도메인 지식을 foundation model 또는 generative model 내부에 어떻게 주입할 것인가가 연구의 중심이 되고 있다.

KDD 2026은 한쪽에서 실제 배포를, 다른 한쪽에서 아직 실현되지 않은 장기 연구 비전을 동시에 강화했다.

ADS Track은 real-world dataset을 썼다는 사실만으로 성립하지 않는다. 공식 CFP는 실제 배포된 데이터 과학·AI 시스템을 요구하고, 원칙적으로 post-launch performance를 정량적으로 제시해야 한다고 명시한다. 추천·검색·광고·전자상거래·금융·교통·산업·의료·Generative AI가 주요 응용 분야다.⁴ 그래서 논문 목록에는 Pinterest의 PinRec과 대규모 이미지 생성 시스템 Pinterest Canvas, LinkedIn의 LLM ranking, Baidu의 RL-enhanced LLM 광고 문구 생성, eBay의 ranking/allocation 시스템처럼 실제 산업 시스템이 다수 등장한다.

반대쪽의 Blue Sky Ideas Track은 당장의 SOTA 성능이 아니라 기존 전제를 깨는 장기적 연구 비전을 요구한다. 공식적으로도 incremental study가 아니라 "bold, forward-looking"한 새로운 연구 방향을 주문한다.⁵ 실제 주제에는 Agent-Didactic Spaces처럼 agent와 교육 경로 의사결정을 연결하거나, The Decision Twin: Metaverse Patient Digital Twins as Executable Clinical Reality처럼 환자 digital twin을 임상 의사결정 환경으로 확장하는 아이디어가 보인다.

KDD 2026은 "대규모 데이터를 학습하는 모델"의 학회에서 "데이터·지식·검색·기억·추론·행동·평가·배포가 결합된 AI 시스템"의 학회로 확장되고 있다고 정리할 수 있다.

연구 흐름을 연결하면 다음 구조가 선명하게 드러난다. Foundation Model이 기본 표현 능력을 제공하고, RAG와 Knowledge Graph가 외부 지식과 기억을 제공하며, Reasoning과 Agent가 의사결정을 수행하고, Recommendation·Science·Industry에서 실제 행동으로 연결되고, Benchmark와 Trustworthy AI가 그 결과를 검증하며, Systems 연구가 이를 대규모로 실행 가능하게 만든다. 이 연결성이야말로 KDD 2026 논문 목록에서 보이는 가장 중요한 특징이다.