第九届统计与数据科学国际研讨会(SDS 2026)

The 9th Int'l Conference on Statistics and Data Science(SDS 2026)

 

△. 重要信息

官网：https://www.academicx.org/SDS/2026/

时间：2026年5月29-31日

地点：中国 · 厦门

邮箱投稿：wsconf5@163.com

检索：谷歌学术收录

录用通知：论文投稿后5-7个工作日

 

△. 大会简介

第九届统计与数据科学国际研讨会(SDS 2026)将于2026年5月29-31日在中国厦门举行。SDS 2026旨在为业内专家学者分享技术进步和业务经验，聚因果推理与因果机器学习、联邦学习与隐私保护、可解释人工智能（XAI）、贝叶斯深度学习、高维统计、时间序列与预测等相关领域的前沿研究，提供一个交流的平台。会议将集聚来自世界各地的科研人员、工程师、学者及业界专家，展示他们在统计与数据科学领域的最新研究成果及活动进展。

△. 特邀嘉宾（持续更新中）

 

Prof. Yu Yang

Pingdingshan University, China

 

Prof. Boris Melnikov

Shenzhen MSU – BIT University, China

Dr. Tingyao Xiong

Radford University, USA

Dr. Sie Long Kek

Universiti Tun Hussein Onn Malaysia, Malaysia

Prof. Wanyang Dai

Nanjing University, China

 

Dr. Yik-Chung Wu

University of Hong Kong, China

Prof. Yichuan Zhao

Georgia State University, USA

Prof. Fuxia Cheng

Illinois State University, USA

Prof. Jin Wang

Northern Arizona University, USA

Prof. Amar Aissani

Universit?e des Sciences et de la Technologie Houari Boumediene, Algeria

Dr. Pavel Loskot

ZJU-UIUC Institute, China

Prof. Mingchu Li

Dalian University of Technology, China

Prof. Rachid Masrour

Sidi Mohamed Ben Abdellah University, Fez, Morocco

Prof. Dr. Kanak Kalita

Rajalakshmi Institute of Technology, Chennai, India

 

△.  参会方式

1. 听众参会（不投稿）

只参会，不投稿且不参与演讲及展示

2. 摘要参会（参会 + 摘要 + 报告 ）

投递摘要并参会，摘要将作为报告材料收录在大会指南中，并安排10-15分钟口头报告；  

3. 全文参会（参会 + 全文发表 + 报告） 

投递全文并参会，录用的文章发表在开源期刊上；  一篇文章的注册费含一位作者的参会费用，将安排做10-15分钟的口头报告；

4. 特邀演讲嘉宾：申请主题演讲，发送简历，由组委会审核；

 

△. 文章出版

出版物：所有被会议录用的英文稿件将会发表在国际英文开源期刊

论文评审: 所有的投稿都必须经过2-3位组委会专家审稿， 经过严格的审稿之后，最终所有录用的论文将发表

审稿流程：本次会议采用先投稿，先送专家评审的方式进行

 

△. 投稿须知：

1. 如果您只是参加会议作报告，不需要发表文章，请直接投递英文摘要即可。

2. 全文篇幅建议15-20页（按照模板格式，带图和参考文献），超过20页需缴纳超页费。摘要投稿无格式要求，具备标题、内容、关键词、作者信息即可，篇幅建议控制在1页以内，最长不超过2页。

3. 投稿之后5-7个工作日内您会收到审核结果，如逾期未收到邮件通知，请您尽快联系我们。

4. 可投中文稿件，文章题目、摘要，关键词需要中英双语，正文部分为中文（可联系我们索取模板文档）。参会时口头报告/海报张贴必须做英文的。

 

△. 大会日程（供参考）

2026年5月29日 - 大会签到

2026年5月30日 - 特邀演讲嘉宾报告

2026年5月31日 - 作者报告及海报展示

 

该会议征文涉及领域包括（但不限于）：

Causal Inference and Causal Machine Learning
Federated Learning & Privacy
Explainable AI (XAI)
Bayesian Deep Learning
High-Dimensional Statistics
Time Series & Forecasting
Nonparametric Methods
Geometric Data Science
Robust Statistics
Network Science
Natural Language Processing
Spatial Statistics
Reinforcement Learning
Data Integration and Multi-Modal Data Analysis
Reproducibility & Ethics
AutoML & Efficiency
Anomaly Detection
Sports Analytics
Climate Statistics
Open Problems
Applications of Graph Theory

Other Related Topics