Vom 23. bis 26. März brachte die dritte jährliche Conference on Parsimony and Learning (CPAL) eine internationale Forschungsgemeinschaft zusammen, um die Bedeutung von Parsimonie zu untersuchen – also jener einfachen, niedrigdimensionalen Strukturen, die Machine Learning, Signalverarbeitung, Optimierung und viele weitere Bereiche prägen. Nach früheren Ausgaben an der Stanford University und in Hongkong fand die diesjährige Konferenz in Tübingen statt und wurde vom ELLIS Institute Tübingen in Zusammenarbeit mit dem Tübingen AI Center sowie dem Max Planck Institute for Intelligent Systems ausgerichtet. In dieser Ausgabe gingen die Vorträge und Tutorials über die theoretischen Grundlagen hinaus und adressierten zentrale Herausforderungen rund um Skalierung, Sicherheit und Effizienz im Zeitalter großer Sprachmodelle.
Über vier Tage hinweg entwickelte sich das Programm von Tutorials zu grundlegenden Methoden und praktischen Techniken hin zu hochkarätigen Keynotes zu Feature Learning, Unsicherheitsquantifizierung und institutionalisiertem Machine Learning. Renommierte Sprecher:innen führender internationaler Institutionen diskutierten, wie niedrigdimensionale Strukturen große Modelle effizienter und robuster machen können.
CPAL 2026 umfasste außerdem „Rising Stars“-Awards, Highlight Talks, zwei Poster-Sessions sowie zahlreiche Networking-Möglichkeiten. Die Veranstaltung wurde unterstützt von der HKU Institute for Data Science, dem CISPA Helmholtz Center for Information Security, OPTML sowie der Michigan State University.
Weitere Informationen zum vollständigen Programm und den Details sind hier verfügbar.
(c) Roberto Montebello