MotifNet利用局部图结构（motifs）处理有向图，超越传统谱方法，提升分类性能。
Federico Monti, Karl Otness, Michael M. Bronstein
本研究提出固定深度卷积神经网络大部分参数，仅训练少量参数，性能仍与全训练相当。
Amir Rosenfeld, John K. Tsotsos
提出非参数延迟反馈模型NoDeF，改善广告转化率预测，准确捕捉复杂延迟分布。
Yuya Yoshikawa, Yusaku Imai
MINOS利用大规模3D室内场景数据，支持多模态感知，评估深度强化学习导航性能。
Manolis Savva, Angel X. Chang, Alexey Dosovitskiy 等
提出结构化子群公平性审计与学习算法，基于弱无偏学习实现，解决公平“地理重划”问题。
Michael Kearns, Seth Neel, Aaron Roth 等
CARLA模拟器支持多种自主驾驶方法的训练与评估，包括模块化管线、模仿学习和强化学习，验证在复杂场景下的性能。
Alexey Dosovitskiy, German Ros, Felipe Codevilla 等
提出Fisher-Rao范数，分析其在深度神经网络中的几何和复杂度表现。
Tengyuan Liang, Tomaso Poggio, Alexander Rakhlin 等
提出VQ-VAE模型，结合离散表示与向量量化，提升生成质量。
Aaron van den Oord, Oriol Vinyals, Koray Kavukcuoglu
层级遗传表示+进化搜索，CIFAR-10误差3.63%，ImageNet 20.3%。
Hanxiao Liu, Karen Simonyan, Oriol Vinyals 等
提出一种模型无关的元学习方法MLDG，用于提升模型在不同域间的泛化能力，显著优于现有方法。
Da Li, Yongxin Yang, Yi-Zhe Song 等
通过形式验证技术构建最小失真对抗样本，提升对抗训练的鲁棒性4.2倍。
Nicholas Carlini, Guy Katz, Clark Barrett 等
HDLTex利用层级深度学习架构提升文本分类，显著优于传统方法。
Kamran Kowsari, Donald E. Brown, Mojtaba Heidarysafa 等
本文分析深度强化学习的可复现性问题，提出标准化建议，强调算法随机性和环境差异影响。
Peter Henderson, Riashat Islam, Philip Bachman 等
提出基于元学习的单示范视觉模仿学习方法，能在复杂环境中实现端到端技能迁移。
Chelsea Finn, Tianhe Yu, Tianhao Zhang 等
宽度有相变：ReLU宽度n+4可通用逼近，宽度效率仅获多项式下界。
Zhou Lu, Hongming Pu, Feicheng Wang 等
使用PAC-Bayes分析，提出基于谱范数和Frobenius范数的神经网络泛化界。
Behnam Neyshabur, Srinadh Bhojanapalli, Nathan Srebro
利用二次激活函数分析过参数浅层神经网络的优化地形，证明无局部极小点且梯度下降可全局收敛。
Mahdi Soltanolkotabi, Adel Javanmard, Jason D. Lee
Distral通过共享策略提升多任务强化学习的数据效率，在复杂3D环境中表现优异。
Yee Whye Teh, Victor Bapst, Wojciech Marian Czarnecki 等
提出基于谱范数归一化边际的神经网络泛化界，验证其与Lipschitz常数和边际的相关性。
Peter Bartlett, Dylan J. Foster, Matus Telgarsky
提出基于图的采样策略提升神经网络协同过滤效率，最高达30倍加速。
Ting Chen, Yizhou Sun, Yue Shi 等