第二屆「簡約與學習會議 (CPAL)」將在史丹佛大學舉辦，徵稿進行中

Pengenalan Persidangan CPAL

CPAL ialah persidangan akademik berasaskan penyelidikan tahunan yang memfokuskan pada menyelesaikan masalah biasa yang parsimoni dan berdimensi rendah dalam bidang pembelajaran mesin, pemprosesan isyarat, pengoptimuman, dsb. Struktur). Titik permulaan untuk mewujudkan persidangan ini adalah untuk mereka bentuknya sebagai forum saintifik sejagat yang membolehkan penyelidik dalam pembelajaran mesin, matematik gunaan, pemprosesan isyarat, pengoptimuman, sistem pintar, dan semua bidang saintifik dan kejuruteraan yang berkaitan untuk bersatu, berkongsi pandangan, dan usaha muktamad adalah untuk mencapai rangka kerja teori dan pengiraan moden yang sama untuk memahami kecerdasan dan sains dari perspektif pembelajaran yang parsimoni.

CPAL pertama telah berjaya diadakan di Universiti Hong Kong pada Januari 2024. Persidangan itu menarik ratusan peserta dari seluruh dunia dan mengandungi empat hari aktiviti dengan agenda yang berwarna-warni. Persidangan yang julung kali diadakan itu menjemput sembilan penceramah jemputan, 16 pemenang Anugerah Bintang Bangkit, dan hampir seratus kertas kerja (dwi lagu) yang diterima untuk pembentangan lisan atau poster.

CPAL 2025

CPAL kedua akan diadakan di Universiti Stanford pada akhir Mac 2025, dihoskan oleh Pusat Pengajian Sains Data Universiti Stanford.

Visi persidangan:

"Semuanya harus dibuat semudah mungkin, tetapi bukan yang lebih mudah." – Albert Einstein

Salah satu sebab paling asas untuk kewujudan kecerdasan atau sains, malah kemunculannya. , ialah dunia tidak sempurna Rawak, tetapi sangat berstruktur dan boleh diramal. Oleh itu, tujuan dan fungsi asas kecerdasan atau sains adalah untuk mempelajari model (atau undang-undang) yang parsimoni daripada sejumlah besar data dunia yang dirasakan untuk memahami struktur yang boleh diramal ini.

Sepanjang dekad yang lalu, kemunculan pembelajaran mesin dan pengkomputeran berskala besar telah mengubah secara mendadak cara kami memproses, mentafsir dan meramal data dalam kejuruteraan dan sains. Pendekatan "tradisional" untuk mereka bentuk algoritma berdasarkan model parametrik isyarat dan struktur pengukuran tertentu (seperti model jarang dan berpangkat rendah), dan kit alat pengoptimuman yang berkaitan, kini telah diperkaya dengan teknik pembelajaran dipacu data, antaranya Large Rangkaian berskala dipralatih dan kemudian disesuaikan dengan pelbagai tugas khusus. Walau bagaimanapun, kejayaan paradigma, sama ada berasaskan data moden atau berasaskan model klasik, secara kritikal bergantung pada mengenal pasti dengan betul struktur dimensi rendah yang terdapat dalam data sebenar, dan kami mempertimbangkan peranan pembelajaran dan algoritma pemprosesan data mampatan, sama ada eksplisit atau tersirat. , seperti rangkaian dalam) tidak dapat dipisahkan.

Baru-baru ini, kemunculan model asas telah menyebabkan sesetengah pihak mencadangkan bahawa parsimoni dan pemampatan itu sendiri adalah bahagian asas matlamat pembelajaran sistem pintar, yang menghubungkan dengan pandangan neurosains tentang pemampatan sebagai prinsip panduan dalam perwakilan otak data persepsi dalam dunia. Secara keseluruhan, bidang penyelidikan ini setakat ini telah berkembang secara relatifnya, walaupun asas dan tujuannya terletak pada kesederhanaan dan pembelajaran. Matlamat kami menganjurkan persidangan ini adalah untuk menyatukan penyelesaian dan memperdalam lagi penyelidikan mengenai masalah ini: kami mahu persidangan ini menjadi forum saintifik universal untuk pembelajaran mesin, matematik gunaan, pemprosesan isyarat, pengoptimuman, sistem pintar dan semua bidang sains yang berkaitan dan kejuruteraan Penyelidik boleh berkomunikasi rapat di sini, berkongsi pandangan, dan akhirnya bergerak ke arah rangka kerja teori dan pengiraan moden untuk memahami kecerdasan dan sains dari perspektif pembelajaran ringkas.

Tarikh penting:

• 25 November 2024: Tarikh akhir penyerahan kertas persidangan
• 6 Disember 2024: Tarikh akhir cadangan tutorial
• 15 Disember 2024 Tarikh Akhir Permohonan: 2024 6, Penafian Kertas di Universiti Stanford
• Semua tarikh akhir ialah 11:00 malam UTC-12:00 zon waktu (di mana-mana sahaja di Bumi) 59.
• Academic Rising Star "Rising Star" Program Galakan
• Untuk menggalakkan dan menyokong pasukan baharu dalam bidang akademik, CPAL telah menubuhkan khas program "Rising Star" untuk menemui dan memuji penyelidik muda yang mempunyai prestasi cemerlang dalam bidang kesederhanaan dan pembelajaran. Kami mengalu-alukan pelajar kedoktoran, postdoc dan sarjana muda untuk menyerahkan kerja penyelidikan mereka. "Bintang Yang Meningkat" yang terpilih akan berpeluang untuk membentangkan keputusan mereka pada persidangan itu dan mendapat peluang berharga untuk berkomunikasi dengan sarjana terkemuka dalam bidang tersebut. Kami berharap melalui program ini, kami dapat memberi inspirasi kepada potensi inovatif lebih ramai penyelidik generasi baharu dan menggalakkan pembangunan kesederhanaan dan bidang pembelajaran.

Penyerahan kertas dan bidang subjek

Persidangan CPAL merangkumi dua trek: Trek Prosiding dan Trek Spotlight Terkini untuk butiran, sila rujuk laman web rasmi: https://cpal.cc/ tracks/

• 「大會論文集 」軌道 (存檔)：提交和評審階段是雙盲的。會議使用 OpenReview 託管論文並允許公開討論。完整的論文可以有最多九頁，參考文獻和附錄頁數不受限制。
• 「最新亮點」軌道（非存檔）：提交會議風格的論文（最多九頁，附加頁用於參考文獻），描述工作內容。請在 OpenReview 上傳一個簡短（250 字）的摘要。評審將以單盲方式進行（作者不需要匿名化提交）。

評審機制中的重要創新：每篇論文都有一個 Program Chair 負責引導。對於每篇被接受的論文，其負責的 Area Chair 和 Program Chair 的姓名將公開發佈在其 OpenReview 頁面上，以確保責任。對於每篇被拒絕的論文（不包括撤稿），只會顯示其負責的 Program Chair 的姓名。審稿者將獲得評級並動態選擇。

CPAL 歡迎以下興趣領域相關的投稿，包括但不限於：

• 理論與基礎：稀疏編碼、結構化稀疏性、子空間學習、低維流形及一般低維結構的理論。字典學習和低維結構的表徵學習，以及它們與深度學習理論的連結。等變性和不變性建模。理論神經科學和認知科學的基礎，以及生物啟發的電腦制。
• 最佳化與演算法：學習緊湊和結構化表徵的最佳化、穩健性和泛化方法。可解釋且高效的深度架構（如基於展開最佳化的架構）。數據高效和計算高效的訓練與推理方法。自適應和穩健的學習和推理演算法。分散式、網路化或聯邦學習在大規模環境中的應用。其他非線性降維和表徵學習方法。
• 資料、系統與應用：特定領域的資料集、基準和評估指標。從資料中學習簡約和結構化的表徵。受益於簡約先驗的逆問題。為簡約學習演算法設計的硬體和系統協同設計。在智慧系統中，整合感知-行動循環的簡約學習。在科學、工程、醫學和社會科學的應用。

CPAL 2025 會議團隊

大會主席(General Chairs):

• Emmanuel Candès (大學） Program Chairs):

陳貝迪(卡耐基美隆大學)

Mert Pilanci (史丹佛大學)

Jeremias Sulam（約翰霍普金斯大學）

• 王宇翔（加州大學聖迭戈分校顧問加州大學聖迭戈分校） (Senior Advisors to Program Chairs):
• 汪張揚（德州大學奧斯丁分校）
• 曲慶(密西根大學)

地主席(Local Chairs):

• 羽加州（Local Chairs):

。大學戴維斯分校)

Sara Fridovich-Keil（史丹佛大學/喬治亞理工學院）

劉晟（史丹佛大學）

• 出版主席（Publication Chairs）
• （H
出版主席（Publication Chairs）

（H）。俄亥俄州立大學）

產業聯絡主席（Industry Liaison Chairs）
• Babak Ehteshami Bejnordi（高通公司）

Utku EvvSvvSvvSvSvSvSvSvSvSvSvSvSvSvsSvSvSvSvsSvSvsSvSvSvSvSvSvSvSvSvSvSvSvSvSvSSvSvSSvSSvSSvSSvSSvSSvSSvSSvSSvSSvSSvSSvSSvSSvSSSSvSSvSSSSvSSSSvSSvSSSSvSSvSSvSSvS靈商）（ 專題討論主席（Panel Chairs）

• Saiprasad Ravishankar（密西根州立大學）
• 教程主席（Tutorial Chairs）

雷琦（紐約大學）

• 劉世偉（牛津大學）

William T. Redman（加州大學聖塔芭芭拉分校）

學術新星獎主席（？密西根大學）

網站主席（Web Chairs）

Sam Buchanan（芝加哥大學豐田技術研究所）

• 我們誠摯邀請所有相關領域的研究人員踴躍投稿，分享簡約您的研究成果，推動所有相關領域的研究人員踴躍投稿與學習領域的發展。

以上是第二屆「簡約與學習會議 (CPAL)」將在史丹佛大學舉辦，徵稿進行中的詳細內容。更多資訊請關注PHP中文網其他相關文章！