学术会议会议详情
MLPR 2026

2026年第四届机器学习与模式识别国际会议(MLPR 2026)

# 计算机科学与信息技术# 工程技术# 计算机科学与技术# 人工智能
检索类型
Ei CompendexScopus
会议邮箱[email protected]
截稿日期2026.08.20
会议日期2026.12.04 - 12.06
会议地点日本 京都
截稿倒计时:
4071211
768

BRIEF INTRODUCTION

会议简介

NO.1

第四届机器学习与模式识别国际会议(MLPR 2026)将于2026年12月4-6日日本京都盛大召开。本次会议由日本立命馆大学主办,汇聚全球智慧,共同探讨机器学习与模式识别领域的前沿进展与创新实践。


MLPR 2026将呈现精彩纷呈的学术盛宴,包括主旨报告、特邀演讲、专题论坛,以及作者论文的口头与海报展示。我们诚邀来自世界各地的研究者投稿,共同推动人工智能领域的学术交流与技术发展。所有投稿将经过严格的双盲评审,优秀论文将受邀在大会现场呈现。
热忱欢迎您加入MLPR 2026,与全球学者齐聚京都,共襄智能科技的年度盛会!

HIGHLIGHTS

重要信息

NO.2

会议出版
会议论文集
投稿文章将经过严格的审稿过程,最终录用并完成注册和报告的文章将出版到IET会议论文集,并收录至IET数字图书馆和IEEE Xplore,提交至EI Compendex和Scopus进行检索。

期刊推荐
优秀论文将有机会推荐至期刊 Intelligence & Robotics(ISSN: 2770-3541)发表。
Impact Factor:3.9(Q2)| CiteScore: 5.8
Indexing: SCI,Scopus,Google Scholar,CNKI
期刊原 APC(文章处理费)为 1,800 美元,经会议推荐至该期刊发表的全文,可享受 APC 8折优惠。

摘要出版
MLPR 2026 录用并完成注册和报告的摘要可免费出版至 Intelligence & Robotics,并提交至 SCI、Scopus、Google Scholar、CNKI 等数据库进行检索。

 

行程概览
第一天-2026年12月4日 星期五
  10:00 - 17:00    会议签到,领取资料
  16:00 - 18:00    组委会会议
第二天-2026年12月5日 星期六
  9:00 - 12:00     大会开幕式&主旨报告
  12:00 - 13:30    午餐
  13:30 - 15:30    特邀报告&小组报告
  15:30 - 16:30    海报展示
  16:30 - 18:30    特邀报告&小组报告
  18:30 - 20:30    晚宴及颁奖典礼
第三天-2026年12月6日 星期日
  9:00 - 12:00     特邀报告&小组报告
  12:00 - 13:30    午餐
  13:30 - 19:00    一日游

 

会议委员会
Conference Chairs
陈延伟,日本立命馆大学
邝得互, 岭南大学

 

Conference Co-chair
张建华,挪威奥斯陆城市大学

 

Program Chairs
Raouf Hamzaoui, 英国德蒙福特大学
潘治文,澳门大学
Edmund Lai, 新西兰奥克兰理工大学
元辉,山东大学
Tomoko Tateyama,日本琉球大学
毛可智,新加坡南洋理工大学

 

Publication Chair
Yinhao Li,日本立命馆大学

 

Publicity Chairs
T. Akilan, 加拿大湖首大学
Qingjie Meng, 英国伯明翰大学
Yutaro Iwamoto, 日本大阪電氣通信大學
庞彦, 中国科学院深圳先进技术研究院

 

Area Chair
Q. M. Jonathan Wu, 加拿大温莎大学

 

Local Organizing Chair
刘家庆,日本立命馆大学

 

主旨报告嘉宾
Prof. Weisi Lin(IEEE Fellow/IET Fellow),新加坡南洋理工大学
Prof. Cathal Gurrin,爱尔兰都柏林城市大学
Prof. Sung-Bae Cho,(Fellow of IEEE, AAIA,韩国科学技术院(KAST)院士,韩国国家工程院(NAEK)院士),韩国延世大学

CALL FOR PAPERS

征稿主题

NO.3
主题1:机器学习基础:
  • 统计学习理论与泛化界
  • 深度学习优化方法(自适应优化器
  • 损失景观)
  • 降维与流形学习
  • 图模型 因果推断与概率推理
  • 主动学习与查询策略
  • 迁移学习 多任务学习与元学习
  • 噪声数据 有限数据或不平衡数据下的学习
  • 强化学习理论与多臂老虎机算法
主题2:深度学习与生成模型:
  • 生成式人工智能(扩散模型 变分自编码器 生成对抗网络 基于流的模型)
  • 大语言模型与视觉语言模型
  • Transformer 架构与注意力机制变体
  • 自监督学习与基础模型预训练
  • 模型压缩(剪枝 量化 知识蒸馏)
  • 神经架构搜索与自动化深度学习
  • 图神经网络与几何深度学习
  • 面向视频 三维和多模态数据的表征学习
主题3:模式识别与计算机视觉:
  • 特征提取 特征选择与描述子学习
  • 目标检测 分割与跟踪
  • 人脸 手势与动作识别
  • 医学图像分析与计算病理学
  • 遥感图像分析与地球观测
  • 文档分析与手写识别
  • 生物特征识别(指纹 虹膜 语音)
  • 三维形状分析与点云处理
主题4:负责任与可信赖人工智能:
  • 机器学习模型中的公平性 问责性与透明性
  • 可解释人工智能(XAI)与可解释性方法
  • 面向对抗攻击和分布外输入的鲁棒性
  • 隐私保护机器学习(联邦学习 差分隐私)
  • 人工智能安全 价值对齐与伦理框架
  • 不确定性量化与可靠预测
  • 数据集和算法中的偏见检测与缓解
  • 监管合规与可审计人工智能系统
Track 5:机器学习与模式识别应用:
  • 面向医疗健康的机器学习(诊断 药物发现 基因组学)
  • 智能交通与自动驾驶
  • 自然语言处理与语音识别
  • 推荐系统与个性化服务
  • 时间序列预测(金融 能源 物联网)
  • 机器人技术与具身智能
  • 智能制造与预测性维护
  • 农业 环境监测与气候科学
主题6:强化学习与决策智能:
  • 深度强化学习算法(DQN PPO SAC TD3)
  • 多智能体强化学习与博弈论推理
  • 逆强化学习与模仿学习
  • 层次化强化学习与选项框架
  • 离线强化学习与批量强化学习
  • 基于人类反馈的强化学习(RLHF)
  • 不确定性下的序贯决策(POMDP 多臂老虎机)
  • 强化学习在机器人 自动驾驶 推荐系统和游戏人工智能中的应用

KEYNOTE SPEAKERS

主讲嘉宾

NO.4
Prof. Weisi Lin (IEEE Fellow/IET Fellow)
新加坡南洋理工大学
Lin Weisi是一位活跃于图像处理、基于感知的信号建模与评估、视频压缩和多媒体通信领域的研究人员。他曾任新加坡资讯通信研究院(I2R)视觉处理实验室主任。目前,他是新加坡南洋理工大学(NTU)计算机与数据科学学院的校长讲席教授,并兼任该...
Prof. Sung-Bae Cho (IEEE/AAIA Fellow, Korean Academy of Science and Technology (KAST ), National Academy of Engineering of Korea (NAEK))
韩国延世大学
Sung-Bae Cho博士毕业于韩国大田韩国科学技术院(KAIST),获计算机科学博士学位。1993年至1995年,他曾任日本京都先进电信研究所(ATR)人类信息处理实验室的客座研究员;1998年,他曾任澳大利亚堪培拉新南威尔士大学访问学...
Prof. Cathal Gurrin
爱尔兰都柏林城市大学
Cathal Gurrin是都柏林城市大学 (DCU) ADAPT 项目的负责人,同时也是该校计算机学院的副院长。古林的研究重点是利用深度用户画像,结合可穿戴传感器和数据分析技术,开发辅助技术。他领导的团队提出的“生活日志”方法高度跨学科,...

CONFERENCE HISTORY

会议历史

NO.5

CONFERENCE SUBMISSION

会议投稿

NO.6

语言:本次会议只接受英文投稿
投稿类型: 摘要投稿或全文投稿均可报告并检索。
文章篇幅要求:全文论文不少于5页。若论文篇幅超过6页,包括所有图表和参考文献,超出部分将按每页60美元收取超页费。
论文模版:
1)全文模板:https://www.mlpr.org/files/template.docx
2)摘要模板:https://www.mlpr.org/files/template-abstract.docx
投稿方式:
1)线上投稿系统:http://confsys.iconf.org/submission/mlpr2026
2)邮箱投稿:[email protected],邮件主题命名为:MLPR 2026-Full Paper/Abstract-Submission
更多投稿相关细节,请访问:https://www.mlpr.org/sub.html

CONTACT US

联系方式

NO.7

会议秘书:陈女士
邮箱:[email protected]