☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
首届CPAL于2024年1月在香港大学成功举办，会议吸引了数百名世界各地的参会者，包含四天丰富多彩的议程的活动。首届大会邀请了九位特邀讲者，十六位新星奖得主，和近百接受论文（双轨道）的口头或海报报道。
CPAL 2025
第二届CPAL将于2025年3月底在斯坦福大学举办，由斯坦福大学数据科学院承办。
大会愿景：
"Everything should be made as simple as possible, but not any simpler." – Albert Einstein
智能或科学的存在，乃至其产生的最基本原因之一是，世界并非完全随机，而是高度结构化和可预测的。因此，智能或科学的一个基本目的和功能是从大量感知到的世界数据中学习简约的模型（或规律），来理解这种可预测的结构。
在过去的十年中，机器学习和大规模计算的出现，极大地改变了我们在工程和科学中处理、解释和预测数据的方式。基于特定信号和测量结构的参数模型（比如稀疏和低秩模型）来设计算法的「传统」方法，及其相关的优化工具包，现在已经通过数据驱动的学习技术得到了极大地丰富，其中，大规模网络被预训练，然后适应各种具体任务。然而，无论是现代数据驱动还是经典模型基础的范例的成功，都关键地依赖于正确识别实际数据中存在的低维结构，我们认为学习和压缩数据处理算法的角色（无论是显式还是隐式，如深度网络）是密不可分的。
最近，基础模型的出现使一些人提出，简约性和压缩本身是智能系统学习目标的一个基本部分，这与神经科学对压缩作为大脑表征世界感知数据的指导原则的观点相连。总的来说，这些研究线路到目前为止相对独立地发展，尽管他们的基础和目的都在于简约性和学习。我们组织这次会议的目的是统一解决和进一步深化研究这个问题：我们希冀这次会议成为一个通用的科学论坛，让机器学习、应用数学、信号处理、优化、智能系统以及所有相关科学和工程领域的研究人员可以在这里紧密交流，分享见解，最终从简洁学习的视角向理解智能和科学的现代理论和计算框架共同迈进。
关键日期：
- 2024年11月25日：大会论文投稿截止
- 2024年12月6日：教程 (Tutorial) 提案截止
- 2024年12月15日：“学术新星”申请截止
- 2025年1月3日-6日：论文Rebuttal
- 2025年1月4日：教程 (Tutorial) 结果发布
- 2025年1月5日："近期焦点" 文章投稿截止
- 2025年1月30日：最终论文评审结果发布
- 2025年3月24-27日：会议在斯坦福大学举行
所有截止日期均为 UTC-12:00 时区（地球上任何地方）的晚上 11:59。
学术新星 "Rising Star" 鼓励计划
为鼓励和支持学术界的新生力量，CPAL特别设立了“Rising Star”计划，旨在发掘和表彰在简约与学习领域表现突出的年轻研究人员。我们欢迎博士生、博士后和青年学者提交他们的研究工作。被选中的“Rising Star”将有机会在大会上展示他们的成果，并获得与领域内顶尖学者交流的宝贵机会。我们希望通过这一计划，能够激发更多新生代研究人员的创新潜力，推动简约与学习领域的发展。
论文提交和学科领域
CPAL 会议包括两个轨道：大会论文集 (Proceedings Track) 和 "近期焦点" 轨道 (Recent Spotlight Track)，详情请参考官网： https://cpal.cc/tracks/
- 「大会论文集 」轨道 (存档)：提交和评审阶段是双盲的。会议使用 OpenReview 托管论文并允许公开讨论。完整的论文可以有最多九页，参考文献和附录页数不受限制。
- 「最新亮点」轨道（非存档）：提交会议风格的论文（最多九页，附加页用于参考文献），描述工作内容。请在 OpenReview 上上传一个简短（250 字）的摘要。评审将以单盲方式进行（作者不需要匿名化提交）。
评审机制中的重要创新：每篇论文都有一个 Program Chair 负责引导。对于每篇被接受的论文，其负责的 Area Chair 和 Program Chair 的姓名将公开发布在其 OpenReview 页面上，以确保责任。对于每篇被拒绝的论文（不包括撤稿），只会显示其负责的 Program Chair 的姓名。审稿人将获得评级并动态选择。
CPAL 欢迎以下兴趣领域相关的投稿，包括但不限于：
- 理论与基础：稀疏编码、结构化稀疏性、子空间学习、低维流形及一般低维结构的理论。字典学习和低维结构的表征学习，以及它们与深度学习理论的联系。等变性和不变性建模。理论神经科学和认知科学的基础，以及生物启发的计算机制。
- 优化与算法：学习紧凑和结构化表征的优化、鲁棒性和泛化方法。可解释和高效的深度架构（如基于展开优化的架构）。数据高效和计算高效的训练与推理方法。自适应和鲁棒的学习和推理算法。分布式、网络化或联邦学习在大规模环境中的应用。其他非线性降维和表征学习方法。
- 数据、系统与应用：特定领域的数据集、基准和评估指标。从数据中学习简约和结构化的表征。受益于简约先验的逆问题。为简约学习算法设计的硬件和系统协同设计。在智能系统中，集成感知-行动循环的简约学习。在科学、工程、医学和社会科学中的应用。
CPAL 2025 会议团队
大会主席 (General Chairs):
- Emmanuel Candès (斯坦福大学)
- 马毅 (香港大学 & 加州大学伯克利分校)
会议程序主席 (Program Chairs):
- 陈贝迪 (卡耐基梅隆大学)
- Mert Pilanci (斯坦福大学)
- Jeremias Sulam（约翰霍普金斯大学）
- 王宇翔（加州大学圣迭戈分校）
会议顾问 (Senior Advisors to Program Chairs):
- 汪张扬 （德州大学奥斯丁分校）
- 曲庆 (密歇根大学)
本地主席 (Local Chairs):
- 陈羽北 (加州大学戴维斯分校)
- Sara Fridovich-Keil（斯坦福大学/佐治亚理工）
- 刘晟（斯坦福大学）
出版主席（Publication Chairs）
- 苏炜杰（宾夕法尼亚大学）
- 朱志辉（俄亥俄州立大学）
行业联络主席（Industry Liaison Chairs）
- Babak Ehteshami Bejnordi（高通公司）
- Utku Evci（谷歌DeepMind）
- Souvik Kundu（英特尔实验室）
专题讨论主席（Panel Chairs）
- Saiprasad Ravishankar（密歇根州立大学）
教程主席（Tutorial Chairs）
- 尤翀（谷歌研究院）
宣传主席 （Publicity Chairs）
- 雷琦（纽约大学）
- 刘世伟（牛津大学）
- William T. Redman（加州大学圣巴巴拉分校）
学术新星奖主席（Rising Stars Award Chairs）
- 申荔月（密歇根大学）
网站主席（Web Chairs）
- Sam Buchanan（芝加哥大学丰田技术研究所）
我们诚挚邀请所有相关领域的研究人员踊跃投稿，分享您的研究成果，推动简约与学习领域的发展。
