第二届简约与学习大会 Conference on Parsimony and Learning (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。
第二届会议官网：https://cpal.cc/
CPAL 2025 会议介绍
CPAL 2025 会议介绍
CPAL是一个小而精的年度研究会议，强调简约 (Parsimonious) 和低维结构 (Low Dimensional Structures) 的研究，因为它们在机器学习、信号处理和优化问题中至关重要。
大会欢迎与简约和学习相关的理论、算法、应用、硬件、系统等基础科学的研究工作。
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。
首届大会详情可见：https://2024.cpal.cc/
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 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
大会愿景
「Everything should be made as simple as possible, but not any simpler.」
——Albert Einstein
智能和科学存在的基础在于世界的高度结构性和可预测性。智能和科学的目的是通过从这些结构中学习简洁的模型或规律来理解世界。
在过去十年里，机器学习和大规模计算极大地改变了我们处理、解释和预测数据的方式。传统的稀疏和低秩模型在现代数据驱动的背景下得到了丰富，尤其是在神经网络的应用中。
近年来，研究者们致力于理解深度网络与非线性、多模式数据结构之间的互动，探索神经网络模型的压缩和稀疏化方法。
CPAL 会议旨在为从事机器学习、应用数学、信号处理、优化、智能系统等相关领域的研究人员提供一个平台，建立一个从简约角度理解智能和科学的现代理论和计算框架。
CPAL 2025 会议团队
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）
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）
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）
网站主席（Web Chairs）
Sam Buchanan（芝加哥大学丰田技术研究所）
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
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/
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。
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。
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。
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。
