王喆作者

DLP-KDD 2020征文:第二届面向高维稀疏数据的深度学习实践国际研讨会

CFP:The 2nd International Workshop on Deep Learning Practice for High-Dimensional Sparse Data with KDD 2020 (DLP-KDD 2020)

DLP-KDD 介绍

随着互联网以及移动互联网的深入发展,为用户提供高质量个性化服务,已成为各种应用改善用户体验及提升营收的关键要素。近年来,随着硬件计算能力的发展以及大规模数据的产生,深度学习在图像处理及自然语言处理等领域取得快速进展。

与图像、文本、语音等连续稠密数据不同,广告、推荐、搜索等互联网核心应用中,数据具有高维稀疏与结构化等独特特点。此外,工业级数据本身规模巨大,如何高效应用深度学习解决业务需求也面临极大挑战。虽然近年来涌现出的Wide&Deep、DeepFM、DIN、DIEN、MIMN等深度学习工作取得了令人瞩目的结果。但如何适应领域特点,并设计能在工业界切实落地的深度学习模型,仍面临各种各样的挑战——比如深度学习在高维稀疏数据上面临的严重过拟合问题、高维稀疏数据带来的深度模型冗余庞大的问题、稀疏结构化数据背后模型的不可解释性问题、高维稀疏数据带来的对计算、存储、通信能力的挑战等,都亟待解决。

面对如上挑战,DLP-KDD研讨会旨在深入、系统性地探讨深度学习在大规模工业级稀疏数据上的应用实践,以促进深度学习技术更广泛的研究与应用

在国际顶级会议KDD召开之际,在国际顶级会议KDD召开之际,来自阿里巴巴/腾讯/新浪微博/Google(DeepMind)/Facebook/微软/Roku,以及上海交通大学/犹他大学等工业界/学术界资深同行,携手举办全球第二届面向高维稀疏数据的深度学习实践国际研讨会(The 2nd International Workshop on Deep Learning Practice for High-Dimensional Sparse Data with KDD 2020,简称DLP-KDD 2020),在此诚挚邀请学术界及工业界供稿。

DLP-KDD研讨会旨在深入、系统性地探讨深度学习在大规模工业级稀疏数据上的应用实践,论文内容包括但不限于以下主题。

征文主题

1. 深度学习系统搭建与优化

· Large Scale Recommendation and Retrieval System

· High throughput and low latency real-time Serving System

· Scalable, Distributed and Parallel Training System for Deep Learning

· Auto Machine Learning

· Auto feature selection

2. 数据表示与挖掘

· Representation Learning for High-dimensional Sparse Data

· Embedding techniques

· Manifold learning and dictionary learning

· Applications of transfer learning

· Meta learning for sparse data

· Explainable deep learning for high dimensional data

· Data augmentation

· Anomaly Detection for High-dimensional Sparse data

· Generative Adversarial Network for sparse data

3. 用户建模

· Large Scale User Response Prediction Modeling

· User Behavior Understanding

· User Interest Mining

当然,我们也欢迎其他主题的投稿,如深度学习在工业界生产实践中面临的具体挑战及探索经验。第二届面向高维稀疏数据的深度学习实践研讨会(DLP-KDD 2020),诚邀您的投稿与参与!

会议主席团

研讨会相关安排

往届参考资料

产业深度学习KDDDLP-KDD
暂无评论
暂无评论~