第四届面向高维稀疏数据的深度学习实践国际研讨会（DLP-KDD 2022）

投稿截止时间：2022年5月26日（可视具体情况适当延后）

录用通知时间：2022年6月20日

研讨会官网：https://dlp-kdd2022.github.io/

论文提交地址： 

https://cmt3.research.microsoft.com/DLPKDD2022/

征文要求： 9页以内长文或2~4页短文

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，来自阿里巴巴/华为/上海交通大学/人民大学 等工业界/学术界资深同行，携手举办全球第四届面向高维稀疏数据的深度学习实践国际研讨会（The 4th International Workshop on Deep Learning Practice and Theory for High-Dimensional Sparse and Imbalanced Data with KDD 2022，简称 DLP-KDD 2022），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。

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 and large-scale pre-training
• Manifold learning and dictionary learning
• Applications of transfer learning
• Meta learning for sparse data
• Explainable deep learning for high dimensional data
• Data augmentation and privacy computing
• 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。第四届面向高维稀疏数据的深度学习实践研讨会(DLP-KDD 2022)，诚邀您的投稿与参与！