第52届数据管理国际会议（The 2026 ACM Special Interest Group on Management of DataConference，简称SIGMOD）将于 2026 年 5 月 31 日至 6 月 5 日在印度班加罗尔召开，杭州电子科技大学计算机学院计算机软件研究所两项科研成果将在会议主会环节作学术报告。SIGMOD 是数据库领域的顶级学术会议，也是中国计算机学会（CCF）推荐的 A 类国际会议。
成果一：Through the Lens of Hubness: A Revisit on Graph-Based Approximate Nearest Neighbor Search。基于图的ANNS方法的性能长期被长尾延迟问题所制约，部分查询需要显著更高的计算成本才能达到目标召回率，直接威胁生产系统的服务等级目标（SLOs）。现有研究虽从多个方向尝试缓解性能不稳定性，但始终未能明确这一问题的根本成因。该成果首次系统建立了高维数据固有的hubness现象与图上ANNS长尾延迟之间的因果联系，从拓扑视角重新审视了主流图索引算法的设计逻辑。理论分析表明，hubness会诱导产生拓扑严重偏斜的近邻图，这种结构失衡会破坏图搜索所依赖的贪婪遍历假设。该成果还构建了统一分析框架，将主流基于图的ANNS算法重新解读为不同层级的hubness缓解策略；在规模高达1亿向量的5个基准数据集上验证了算法的hubness缓解效果与其拓扑平衡性、查询性能之间的关联关系。在此基础上，该成果提出了一种轻量级的hubness感知索引构建优化方法，通过动态调整不同拓扑节点的剪枝准则，以极小的开销实现了图拓扑的精细化平衡，显著提升了各类算法的搜索性能。该成果由徐小良教授、戴浩楠（24级研究生）、李灿（23级研究生）、王梦召特聘研究员（通讯作者）以及岳强（22级博士生）共同完成。
成果二：Efficient and Robust Out-Of-Distribution Vector Similarity Search with Cross-Distribution Monotonic Graph。现有基于图的ANNS方法在分布外（out-of-distribution, 简称 OOD）场景（如数据库向量与查询向量来自不同模态）中，存在导航性与聚类性不佳的问题。近年来，已有研究尝试通过投影技术及集成查询衍生的辅助索引结构缓解该问题，但这类方法多为启发式设计，缺乏坚实的理论支撑。针对这一问题，该研究提出跨分布单调图 CDMG 弥合了数据库向量与查询向量之间的分布差异，解决了 OOD 查询的导航性与聚类性难题。理论分析证实，与现有图索引相比，CDMG 在 OOD 场景下具备更低的搜索时间复杂度。此外，该研究还提出了 CDMG 的实用变体 CDMG+，通过引入查询合成、融合距离计算及优化的候选获取与邻居选择策略，进一步提升了索引构建效率。该成果由岳强（22级博士生）、王梦召特聘研究员、徐小良教授（通讯作者）、Cheng Long 教授（南洋理工大学）、王宇翔教授以及王家辉（23级研究生）共同完成。
计算机软件研究所知识增强计算及智能应用团队负责人为徐小良教授，团队年龄结构合理，面向国家重大战略需求，聚焦于向量数据库、图计算与学习、智能体记忆、大模型应用等领域的前沿基础研究与关键技术攻关，承担和参与多项国家基金项目、省部级重点研发项目、军工项目和产学研合作项目，近年来在CCF A/B类推荐会议/期刊上发表高水平论文40余篇，并与浙江大学、复旦大学、武汉大学、新加坡南洋理工大学等国内外顶尖科研院所，以及华为、阿里、字节等头部企业建立紧密合作关系，建有校企联合实验室。
