2026年计算理论与机器学习国际会议 (CTML 2026)

出版及检索：

CTML 2026收到的文章都将由会议技术委员审核，接收并完成注册的文章会被发表在会议论文集上，并提交EI Compendex, Scopus等检索。作者将被邀请参会分享报告。

投稿方式：

1. 全文（发表及报告）----https://www.zmeeting.org/submission/ctml2026

2. 摘要（仅限Oral Presentation/Poster）[email protected]

会议日程安排：

2026年11月27日

10:30–17:00 现场签到

2026年11月28日

09:00–17:00 会议注册

09:00–09:10 开幕式

09:10–09:55 主旨演讲1

09:55–10:30 合影及茶歇

10:30–11:15 主旨演讲2

11:15–12:00 主旨演讲3

12:00–13:30 会议午餐

13:30–15:30 分会场报告

15:30–15:45 茶歇

15:45–18:00 分会场报告

18:30–21:00 会议晚宴

2026年11月29日

全天 分会场报告

征稿主题：

TRACK 1：计算学习理论基础

统计学习理论与泛化

学习问题的计算复杂性

在线学习与遗憾界分析

学习动力学与收敛性

大模型的尺度定律与涌现行为

PAC-Bayes理论与算法稳定性

TRACK 2：深度学习理论与神经网络架构

神经网络的表达能力与容量

Transformer与基础模型的理论分析

神经网络优化景观研究

过参数化与双重下降现象

梯度方法的隐式正则化与偏置

机制可解释性与模型内部结构

物理信息神经网络与神经算子

TRACK 3：机器学习中的优化与算法

凸优化与非凸优化

进化算法与元启发式算法

学习中的组合优化

代理模型辅助优化与高代价优化问题

资源受限环境下的优化方法

联邦学习与分布式优化

机器学习系统中的多目标优化

TRACK 4：图论、组合数学与结构化学习

图神经网络理论

谱图理论及其应用

算法图论与网络分析

结合学习的组合优化

随机图与概率方法

几何深度学习

流形学习与非欧几里得数据学习

TRACK 5：可信与可解释人工智能

因果推断与因果发现

可解释性与可理解性

鲁棒性、不确定性与模型校准

机器学习中的隐私保护与公平性

对抗机器学习

分布偏移与领域泛化

人工智能系统的安全性与对齐

TRACK 6：科学发现中的人工智能与前沿方向

人工智能驱动的科学发现

量子机器学习

符号回归与科学规律发现

AI加速的科学计算

多模态学习与信息融合

计算生物学与医疗人工智能

气候建模与环境人工智能

TRACK 7：高效与可扩展的机器学习系统

模型压缩与知识蒸馏

量化与剪枝

神经网络架构搜索

边缘人工智能与 TinyML

绿色人工智能与能效学习

大规模训练系统

机器学习编译器与软硬件协同设计

更多主旨请见：https://www.ctml.org/cfp.html

联系方式：

会议秘书：詹老师

电子邮件：[email protected]