Maison > Périphériques technologiques > IA > le corps du texte

La deuxième « Conférence sur la parcimonie et l'apprentissage (CPAL) » se tiendra à l'Université de Stanford, et l'appel à communications est en cours.

WBOY
Libérer: 2024-07-31 14:51:50
original
838 Les gens l'ont consulté

第二届「简约与学习会议 (CPAL)」将在斯坦福大学举办,征稿进行中

Introduction à la conférence CPAL

第二届「简约与学习会议 (CPAL)」将在斯坦福大学举办,征稿进行中

CPAL est une conférence universitaire annuelle basée sur la recherche qui se concentre sur la résolution de problèmes de structures parcimonieuses et de faible dimension courantes dans les domaines de l'apprentissage automatique, du traitement du signal, de l'optimisation, etc. Le point de départ de la création de cette conférence est de la concevoir comme un forum scientifique universel permettant aux chercheurs en apprentissage automatique, en mathématiques appliquées, en traitement du signal, en optimisation, en systèmes intelligents et dans tous les domaines scientifiques et techniques connexes de se réunir, de partager des idées et de L’effort ultime consiste à parvenir à un cadre théorique et informatique moderne commun pour comprendre l’intelligence et la science dans une perspective d’apprentissage parcimonieuse.

La première CPAL s'est tenue avec succès à l'Université de Hong Kong en janvier 2024. La conférence a attiré des centaines de participants du monde entier et contenait quatre jours d'activités avec un agenda coloré. La conférence inaugurale a invité neuf conférenciers invités, 16 lauréats du Rising Star Award et près d'une centaine d'articles acceptés (double piste) pour des présentations orales ou par affiches.

CPAL 2025

La deuxième CPAL se tiendra à l'Université de Stanford fin mars 2025, organisée par la Stanford University School of Data Science.

Vision de la conférence :

"Tout doit être rendu aussi simple que possible, mais pas plus simple." – Albert Einstein

L'une des raisons les plus fondamentales de l'existence de l'intelligence ou de la science, et même de son émergence. , c'est que le monde n'est pas parfait, aléatoire, mais hautement structuré et prévisible. Par conséquent, un objectif et une fonction fondamentaux de l’intelligence ou de la science sont d’apprendre des modèles (ou des lois) parcimonieux à partir de grandes quantités de données mondiales perçues pour comprendre cette structure prévisible.

Au cours de la dernière décennie, l'émergence de l'apprentissage automatique et de l'informatique à grande échelle a radicalement changé la façon dont nous traitons, interprétons et prévoyons les données dans les domaines de l'ingénierie et des sciences. L'approche « traditionnelle » de conception d'algorithmes basés sur des modèles paramétriques de structures de signaux et de mesures spécifiques (tels que des modèles clairsemés et de bas rang), et leurs boîtes à outils d'optimisation associées, a désormais été grandement enrichie par des techniques d'apprentissage basées sur les données, parmi lesquelles les grandes Les réseaux à grande échelle sont pré-entraînés puis adaptés à diverses tâches spécifiques. Cependant, le succès des paradigmes, qu'ils soient modernes basés sur des données ou basés sur des modèles classiques, repose essentiellement sur l'identification correcte des structures de faible dimension présentes dans les données réelles, et nous considérons le rôle des algorithmes d'apprentissage et de traitement compressif des données, qu'ils soient explicites ou implicites. , comme les réseaux profonds) sont indissociables.

Récemment, l'émergence de modèles fondamentaux a conduit certains à suggérer que la parcimonie et la compression elles-mêmes constituent un élément fondamental des objectifs d'apprentissage des systèmes intelligents, ce qui rejoint la vision des neurosciences selon laquelle la compression est un principe directeur dans la représentation cérébrale des données perceptuelles dans le monde. Dans l’ensemble, ces axes de recherche se sont jusqu’à présent développés de manière relativement indépendante, même si leur fondement et leur objectif résident dans la parcimonie et l’apprentissage. Notre objectif en organisant cette conférence est d'unifier la solution et d'approfondir davantage la recherche sur ce problème : nous voulons que cette conférence devienne un forum scientifique universel pour l'apprentissage automatique, les mathématiques appliquées, le traitement du signal, l'optimisation, les systèmes intelligents et tous les domaines scientifiques connexes. et en ingénierie, les chercheurs peuvent ici communiquer étroitement, partager des idées et, finalement, évoluer vers des cadres théoriques et informatiques modernes pour comprendre l'intelligence et la science dans la perspective d'un apprentissage concis.

Dates clés :

  • 25 novembre 2024 : date limite de soumission des communications pour la conférence
  • 6 décembre 2024 : date limite des propositions de tutoriels
  • 15 décembre 2024 : date limite de candidature "Academic Rising Star"
  • 3 janvier- 6, 2025 : Réfutation de l'article
  • 4 janvier 2025 : Publication des résultats du didacticiel
  • 5 janvier 2025 : Date limite de soumission des articles « Focus récent »
  • 30 janvier 2025 : Publication des résultats finaux de l'examen des articles
  • 24-27 mars 2025 : Conférence tenue à l'Université de Stanford

Toutes les dates limites sont 23h00 UTC-12h00 fuseau horaire (n'importe où sur Terre) 59.

Academic Rising Star "Rising Star" Encouragement Program

Afin d'encourager et de soutenir les nouvelles forces du milieu universitaire, le CPAL a spécialement mis en place le programme "Rising Star" pour découvrir et féliciter les jeunes chercheurs qui ont des performances exceptionnelles dans les domaines de simplicité et apprentissage. Nous invitons les doctorants, postdoctorants et jeunes chercheurs à soumettre leurs travaux de recherche. Les « étoiles montantes » sélectionnées auront l'occasion de présenter leurs résultats lors de la conférence et d'avoir de précieuses opportunités de communiquer avec les meilleurs chercheurs du domaine. Nous espérons que grâce à ce programme, nous pourrons inspirer le potentiel d'innovation d'un plus grand nombre de chercheurs de la nouvelle génération et promouvoir le développement de domaines de simplicité et d'apprentissage.

Soumission d'articles et domaines

La conférence CPAL comprend deux volets : le volet des actes et le volet des projecteurs récents. Pour plus de détails, veuillez vous référer au site officiel : https://cpal.cc/tracks/

.
  • Piste « Actes de la conférence » (archivée) : Les étapes de soumission et d'examen sont en double aveugle. La conférence utilise OpenReview pour héberger des articles et permettre une discussion ouverte. Un article complet peut comporter jusqu'à neuf pages, avec un nombre illimité de pages pour les références et les annexes.
  • Piste « Faits saillants récents » (non archivé) : Soumettez un article de style conférence (jusqu'à neuf pages, avec des pages supplémentaires pour les références) décrivant le travail. Veuillez télécharger un court résumé (250 mots) sur OpenReview. Les évaluations seront menées en simple aveugle (les auteurs ne sont pas tenus de soumettre leur candidature de manière anonyme).

Innovation importante dans le mécanisme d'examen : chaque article a un président de programme chargé de le guider. Pour chaque article accepté, les noms de son président de secteur responsable et de son président de programme seront publiés publiquement sur sa page OpenReview pour garantir la responsabilité. Pour chaque article rejeté (hors rétractations), seul le nom du responsable du programme responsable est affiché. Les évaluateurs seront notés et sélectionnés de manière dynamique.

CPAL accueille les soumissions liées aux domaines d'intérêt suivants, y compris, mais sans s'y limiter :

  • Théorie et principes fondamentaux : codage clairsemé, parcimonie structurée, apprentissage des sous-espaces, variétés de faible dimension et théorie des structures générales de faible dimension. . Apprentissage de dictionnaire et apprentissage de représentation de structures de faible dimension, et leur lien avec la théorie de l'apprentissage profond. Modélisation d'équivariance et d'invariance. Fondements des neurosciences théoriques et des sciences cognitives, et mécanismes informatiques d'inspiration biologique.
  • Optimisation et Algorithmes : Méthodes d'optimisation, de robustesse et de généralisation pour l'apprentissage de représentations compactes et structurées. Architectures profondes interprétables et efficaces (telles que celles basées sur l'optimisation du déploiement). Méthodes de formation et d'inférence efficaces en termes de données et de calcul. Algorithmes d’apprentissage et d’inférence adaptatifs et robustes. Applications de l'apprentissage distribué, en réseau ou fédéré dans des environnements à grande échelle. Autres méthodes de réduction de dimensionnalité non linéaire et d'apprentissage de la représentation.
  • Données, systèmes et applications : ensembles de données, références et mesures d'évaluation spécifiques à un domaine. Apprentissage de représentations parcimonieuses et structurées à partir de données. Problèmes inverses bénéficiant d’a priori parcimonieux. Co-conception matérielle et système pour des algorithmes d’apprentissage parcimonieux. Apprentissage parcimonieux intégrant des boucles sens-action dans des systèmes intelligents. Applications en sciences, ingénierie, médecine et sciences sociales.

Équipe de la conférence CPAL 2025

Présidents généraux :

  • Emmanuel Candès (Université de Stanford)
  • Ma Yi (Université de Hong Kong et Université de Californie, Berkeley)

Président du programme de la conférence (Programme Chaires) :

  • Bedi Chen (Université Carnegie Mellon)
  • Mert Pilanci (Université de Stanford)
  • Jeremias Sulam (Université Johns Hopkins)
  • Wang Yuxiang (Université de Californie, San Diego)

Conseiller de conférence ( Conseillers principaux des présidents de programme) :

  • Wang Zhangyang (Université du Texas à Austin)
  • Qu Qing (Université du Michigan)

Chaires locales (Chaires locales) :

  • Chen Yubei (Université de Californie de Davis)
  • Sara Fridovich-Keil (Université de Stanford/Georgia Tech)
  • Liu Sheng (Université de Stanford)

Chaires de publication (Chaises de publication)

  • Su Weijie (Université de Pennsylvanie)
  • Zhu Zhihui (Ohio State University) Présidents de liaison avec l'industrie

Babak EhteShami Bejnordi Présidents du panel (présidents du panel)

  • Saiprasad Ravishankar
  • Lei Qi (Université de New York)
  • Liu Shiwei (Université d'Oxford)
  • William T. Redman (Université de Californie, Santa Barbara)

Rising Stars Award Chairs (Rising Stars Award Chairs)

  • Shen Liyue (Université du Michigan)

Web Chairs (Web Chairs)

  • Sam Buchanan (Toyota Institute of Technology, Université de Chicago)

Nous invitons sincèrement les chercheurs de tous les domaines connexes à contribuer, à partager vos résultats de recherche et à promouvoir la simplicité et le développement des domaines d'étude.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Étiquettes associées:
source:jiqizhixin.com
Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn
Tutoriels populaires
Plus>
Derniers téléchargements
Plus>
effets Web
Code source du site Web
Matériel du site Web
Modèle frontal
À propos de nous Clause de non-responsabilité Sitemap
Site Web PHP chinois:Formation PHP en ligne sur le bien-être public,Aidez les apprenants PHP à grandir rapidement!