近日，实验室博士生高鸿儒（导师廖小飞教授）、董雨康（导师蒋文斌教授）的2篇论文被第43届国际数据工程会议（The 43nd IEEE International Conference on Data Engineering, ICDE 2027）录用。

高鸿儒的论文题目为“BriskSeed: Online History-Guided Reuse for Accelerating Dynamic Approximate Nearest Neighbor Search”。近日，面向动态场景下近似最近邻搜索（Approximate Nearest Neighbor Search，ANNS）性能优化的研究取得新进展。ANNS是现代数据系统中的重要基础技术，广泛应用于推荐系统等场景。现有基于图结构的ANNS索引在静态数据集上能够实现高效搜索，但当数据持续更新时，为加速搜索而预计算的辅助信息会逐渐失效，盲目复用容易造成召回率下降或额外搜索开销，而频繁更新这些信息又会带来较高维护成本。针对这一问题，论文提出了一种面向动态ANNS的可插拔插件BriskSeed，通过复用历史搜索过程中形成的有效搜索结果，将其作为轻量级搜索状态“种子”，在数据持续变化的情况下加速后续搜索。该方案设计了基于效用的双层种子存储机制，并结合精确匹配和签名匹配实现高效检索，同时通过轻量级验证与回退机制判断历史种子是否仍然有效，从而在不修改底层ANNS索引和不依赖特定图索引后端的情况下提升搜索效率。基于CANDOR-Bench动态ANNS基准框架的实验结果表明，该方案能够取得高达3.34倍QPS提升，并保持具有竞争力的召回率，为持续演化数据上的ANNS性能优化提供了一种新的思路。

董雨康的论文题目为“Adaptive Hybrid Tensor Cores Scheduling for Efficient Sparse Data Processing”。如今，稀疏数据广泛存在于图结构、科学计算和大模型中，其中稀疏-密集矩阵乘是其中一项核心操作，现有基于密集和稀疏张量核心的优化方法通常仅依赖其中的单一路径，难以最大化计算效率。为此，论文提出 MaxSparse，一种面向非结构化稀疏数据的自适应混合计算框架。MaxSparse 采用分层代价模型，自适应选择窗口级执行路径和矩阵级存储格式，并设计统一混合计算内核，协同使用稠密张量核心和稀疏张量核心提升计算性能。实验结果表明，MaxSparse 在图计算、科学计算和剪枝大模型推理三类典型工作负载上，相较现有先进方法取得了 1.2–1.6× 的几何平均加速比。

ICDE 是数据库与数据管理领域的顶级国际学术会议之一，长期受到学术界和工业界的广泛关注。ICDE 2027竞争激烈，论文录用率不足 20%，体现了会议严格的评审标准和较高的学术影响力。

（通讯员：高鸿儒、董雨康）