Die zweite „Conference on Parsimony and Learning (CPAL)' findet an der Stanford University statt und der Aufruf zur Einreichung von Beiträgen läuft.

CPAL-Konferenzeinführung

CPAL ist eine jährliche forschungsbasierte akademische Konferenz, die sich auf die Lösung häufiger sparsamer und niedrigdimensionaler Strukturen in den Bereichen maschinelles Lernen, Signalverarbeitung, Optimierung usw. konzentriert. Der Ausgangspunkt für die Schaffung dieser Konferenz besteht darin, sie als universelles wissenschaftliches Forum zu gestalten, das es Forschern in den Bereichen maschinelles Lernen, angewandte Mathematik, Signalverarbeitung, Optimierung, intelligente Systeme und allen verwandten wissenschaftlichen und technischen Bereichen ermöglicht, zusammenzukommen, Erkenntnisse auszutauschen und vieles mehr Das ultimative Ziel besteht darin, zu einem gemeinsamen modernen theoretischen und rechnerischen Rahmen zu gelangen, um Intelligenz und Wissenschaft aus einer sparsamen Lernperspektive zu verstehen.

Die erste CPAL fand im Januar 2024 erfolgreich an der Universität Hongkong statt. Die Konferenz zog Hunderte von Teilnehmern aus der ganzen Welt an und umfasste vier Tage voller Aktivitäten mit einem bunten Programm. Zur Eröffnungskonferenz wurden neun eingeladene Redner, 16 Rising Star Award-Gewinner und fast hundert angenommene Beiträge (zweigleisig) zu Vorträgen oder Posterpräsentationen eingeladen.

CPAL 2025

Das zweite CPAL findet Ende März 2025 an der Stanford University statt und wird von der Stanford University School of Data Science ausgerichtet.

Vision der Konferenz:

„Alles sollte so einfach wie möglich gemacht werden, aber nicht einfacher.“ – Albert Einstein

Einer der grundlegendsten Gründe für die Existenz von Intelligenz oder Wissenschaft und sogar für deren Entstehung , ist, dass die Welt nicht perfekt zufällig, sondern hochstrukturiert und vorhersehbar ist. Daher besteht ein grundlegender Zweck und eine grundlegende Funktion von Intelligenz oder Wissenschaft darin, aus großen Mengen wahrgenommener Weltdaten sparsame Modelle (oder Gesetze) zu lernen, um diese vorhersehbare Struktur zu verstehen.

Im letzten Jahrzehnt hat das Aufkommen von maschinellem Lernen und Großrechnern die Art und Weise, wie wir Daten in Technik und Wissenschaft verarbeiten, interpretieren und vorhersagen, dramatisch verändert. Der „traditionelle“ Ansatz zum Entwerfen von Algorithmen auf der Grundlage parametrischer Modelle spezifischer Signal- und Messstrukturen (z. B. dünn besetzte und niedrigrangige Modelle) und der zugehörigen Optimierungs-Toolkits wurde inzwischen durch datengesteuerte Lerntechniken, darunter Large, erheblich bereichert -Maßstabsnetzwerke werden vorab trainiert und dann an verschiedene spezifische Aufgaben angepasst. Der Erfolg von Paradigmen, ob modern datengesteuert oder klassisch modellbasiert, hängt jedoch entscheidend von der korrekten Identifizierung der in realen Daten vorhandenen niedrigdimensionalen Strukturen ab, und wir betrachten die Rolle lernender und komprimierender Datenverarbeitungsalgorithmen, ob explizit oder implizit , wie tiefe Netzwerke) sind untrennbar miteinander verbunden.

Kürzlich hat das Aufkommen grundlegender Modelle einige zu der Annahme veranlasst, dass Sparsamkeit und Komprimierung selbst ein grundlegender Bestandteil der Lernziele intelligenter Systeme sind, was mit der Ansicht der Neurowissenschaften über Komprimierung als Leitprinzip bei der Darstellung von Wahrnehmungsdaten durch das Gehirn in Verbindung steht die Welt. Insgesamt haben sich diese Forschungsrichtungen bisher relativ unabhängig entwickelt, obwohl ihre Grundlage und ihr Zweck in Sparsamkeit und Lernen liegen. Unser Ziel bei der Organisation dieser Konferenz ist es, die Lösung zu vereinheitlichen und die Forschung zu diesem Problem weiter zu vertiefen: Wir möchten, dass diese Konferenz ein universelles wissenschaftliches Forum für maschinelles Lernen, angewandte Mathematik, Signalverarbeitung, Optimierung, intelligente Systeme und alle damit verbundenen Wissenschaftsbereiche wird und Ingenieursforscher können hier eng kommunizieren, Erkenntnisse austauschen und sich letztendlich modernen theoretischen und rechnerischen Rahmenbedingungen zuwenden, um Intelligenz und Wissenschaft aus der Perspektive prägnanten Lernens zu verstehen.

Wichtige Termine:

• 25. November 2024: Frist für die Einreichung von Konferenzbeiträgen
• 6. Dezember 2024: Frist für Tutorialvorschläge
• 15. Dezember 2024: Bewerbungsfrist für „Academic Rising Star“
• Januar. 3 -6, 2025: Widerlegung des Papiers
• 4. Januar 2025: Veröffentlichung der Tutorial-Ergebnisse
• 5. Januar 2025: Einreichungsfrist für „Recent Focus“-Artikel
• 2025 30. Januar: Veröffentlichung der endgültigen Ergebnisse der Papierbegutachtung
• 24.–27. März 2025 : Konferenz an der Stanford University

Alle Fristen sind 23:00 Uhr UTC bzw. 12:00 Uhr Zeitzone (irgendwo auf der Erde) 59.

Academic Rising Star „Rising Star“-Förderprogramm

Um neue Kräfte in der Wissenschaft zu fördern und zu unterstützen, hat CPAL speziell das „Rising Star“-Programm ins Leben gerufen, um junge Forscher zu entdecken und zu würdigen, die herausragende Leistungen in den Bereichen haben Einfachheit und Lernen. Wir begrüßen Doktoranden, Postdocs und junge Wissenschaftler, die ihre Forschungsarbeiten einreichen. Ausgewählte „Rising Stars“ haben die Möglichkeit, ihre Ergebnisse auf der Konferenz vorzustellen und wertvolle Gelegenheiten zur Kommunikation mit Spitzenwissenschaftlern auf diesem Gebiet zu erhalten. Wir hoffen, dass wir durch dieses Programm das Innovationspotenzial von mehr Forschern der neuen Generation wecken und die Entwicklung von Einfachheits- und Lernfeldern fördern können.

Beitragseinreichung und Themenbereiche

Die CPAL-Konferenz umfasst zwei Tracks: Proceedings Track und Recent Spotlight Track. Weitere Informationen finden Sie auf der offiziellen Website: https://cpal.cc/tracks/

• Track „Conference Proceedings“ (archiviert): Die Einreichungs- und Begutachtungsphasen sind doppelblind. Die Konferenz nutzt OpenReview, um Vorträge zu hosten und eine offene Diskussion zu ermöglichen. Eine vollständige Arbeit kann bis zu neun Seiten umfassen, mit unbegrenzten Seiten für Referenzen und Anhänge.
• Track „Recent Highlights“ (nicht archiviert): Reichen Sie einen Vortrag im Konferenzstil (bis zu neun Seiten, mit zusätzlicher Seite für Referenzen) ein, in dem die Arbeit beschrieben wird. Bitte laden Sie eine kurze Zusammenfassung (250 Wörter) auf OpenReview hoch. Die Gutachten werden im Single-Blind-Verfahren durchgeführt (Autoren sind nicht verpflichtet, anonym einzureichen).

Wichtige Neuerung im Überprüfungsmechanismus: Für jede Arbeit gibt es einen Programmleiter, der für die Leitung verantwortlich ist. Für jede angenommene Arbeit werden die Namen des zuständigen Bereichsleiters und Programmleiters öffentlich auf der OpenReview-Seite veröffentlicht, um die Verantwortlichkeit sicherzustellen. Für jede abgelehnte Arbeit (ausgenommen Rückzüge) wird nur der Name des verantwortlichen Programmleiters angezeigt. Gutachter werden dynamisch bewertet und ausgewählt.

CPAL begrüßt Einreichungen zu den folgenden Interessengebieten, einschließlich, aber nicht beschränkt auf:

• Theorie und Grundlagen: Sparse-Codierung, strukturierte Sparsity, Unterraumlernen, niedrigdimensionale Mannigfaltigkeiten und die Theorie allgemeiner niedrigdimensionaler Strukturen . Wörterbuchlernen und Repräsentationslernen niedrigdimensionaler Strukturen und ihre Verbindung zur Deep-Learning-Theorie. Äquivarianz- und Invarianzmodellierung. Grundlagen der theoretischen Neuro- und Kognitionswissenschaft sowie biologisch inspirierte Rechenmechanismen.
• Optimierung und Algorithmen: Optimierungs-, Robustheits- und Generalisierungsmethoden zum Lernen kompakter und strukturierter Darstellungen. Interpretierbare und effiziente Tiefenarchitekturen (z. B. solche, die auf der Entfaltungsoptimierung basieren). Dateneffiziente und recheneffiziente Trainings- und Inferenzmethoden. Adaptive und robuste Lern- und Inferenzalgorithmen. Anwendungen von verteiltem, vernetztem oder föderiertem Lernen in großen Umgebungen. Andere nichtlineare Dimensionsreduktions- und Darstellungslernmethoden.
• Daten, Systeme und Anwendungen: Domänenspezifische Datensätze, Benchmarks und Bewertungsmetriken. Erlernen sparsamer und strukturierter Darstellungen aus Daten. Inverse Probleme, die von sparsamen Prioritäten profitieren. Hardware- und System-Codesign für sparsame Lernalgorithmen. Sparsames Lernen, das Sinnes-Aktions-Schleifen in intelligente Systeme integriert. Anwendungen in Naturwissenschaften, Ingenieurwesen, Medizin und Sozialwissenschaften. Team der CPAL 2025-Konferenz ( Programm Vorsitze):

Bedi Chen (Carnegie Mellon University)

Mert Pilanci (Stanford University)

Jeremias Sulam (Johns Hopkins University)

Wang Yuxiang (University of California, San Diego)

• Konferenzberater ( Leitende Berater der Programmvorsitzenden):

Wang Zhangyang (University of Texas at Austin)

Qu Qing (University of Michigan)

• Lokale Lehrstühle (Lokale Lehrstühle):
• Chen Yubei (California University of Davis)

Sara Fridovich-Keil (Stanford University/Georgia Tech)

Liu Sheng (Stanford University)

• Publication Chairs (Publication Chairs)

Su Weijie (University of Pennsylvania)

Zhu. Zhihui (Ohio State University) Industry Liaison Chairs

• Babak EhteShami Bejnordi Panel Chairs (Panel Chairs)
• Saiprasad Ravishankar
Lei Qi (New York University)

Liu Shiwei (Oxford University)William T. Redman (University of Kalifornien, Santa Barbara)

• Rising Stars Award Chairs (Rising Stars Award Chairs)

Shen Liyue (University of Michigan)

Web Chairs (Web Chairs)
• Sam Buchanan (Toyota Institute of Technologie, University of Chicago)

Wir laden Forscher in allen verwandten Bereichen herzlich ein, einen Beitrag zu leisten, Ihre Forschungsergebnisse zu teilen und die Einfachheit und die Entwicklung von Lernbereichen zu fördern.

Das obige ist der detaillierte Inhalt vonDie zweite „Conference on Parsimony and Learning (CPAL)' findet an der Stanford University statt und der Aufruf zur Einreichung von Beiträgen läuft.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!