PixelCNN++采用离散Logistic混合似然，提升训练速度和生成质量，达CIFAR-10最优对数似然。
Tim Salimans, Andrej Karpathy, Xi Chen 等
提出Thompson Sampling扩展算法，解决图反馈下的随机决策问题，显著降低贝叶斯遗憾。
Aristide C. Y. Tossou, Christos Dimitrakakis, Devdatt Dubhashi
EWC用Fisher约束重要权重，MNIST与Atari均显著缓解遗忘。
James Kirkpatrick, Razvan Pascanu, Neil Rabinowitz 等
提出Temporal GAN（TGAN），结合时间生成器与图像生成器，利用奇异值裁剪实现稳定训练。
Masaki Saito, Eiichi Matsumoto, Shunta Saito
引入UNREAL，结合A3C与多任务辅助学习，显著提升Atari和Labyrinth表现，平均性能达87%。
Max Jaderberg, Volodymyr Mnih, Wojciech Marian Czarnecki 等
通过轨迹优化和深度学习，学习五指机械手灵巧操作策略，最近邻方法表现最佳。
Vikash Kumar, Abhishek Gupta, Emanuel Todorov 等
通过随机标签和噪声实验揭示深度网络的过拟合能力，挑战传统泛化理论。
Chiyuan Zhang, Samy Bengio, Moritz Hardt 等
提出方程学习器（EQL），可学习解析表达式并实现超出训练域的外推。
Georg Martius, Christoph H. Lampert
深度ReLU网络在Sobolev空间中比浅层网络更高效地逼近光滑函数。
Dmitry Yarotsky
结合深度视频预测与模型预测控制，实现机器人无需标定自主操控未知物体。
Chelsea Finn, Sergey Levine
SeqGAN结合强化学习与GAN，解决序列离散生成难题，实现高质量文本生成。
Lantao Yu, Weinan Zhang, Jun Wang 等
论文用PGA与SGLD攻击MovieLens上的矩阵分解推荐系统；β=0.6时隐蔽性检验p>0.7。
Bo Li, Yining Wang, Aarti Singh 等
基于Polyak-Łojasiewicz (PL)不等式，证明梯度及近端梯度方法的线性收敛，适用于非强凸问题。
Hamed Karimi, Julie Nutini, Mark Schmidt
利用变分自编码器和生成对抗网络嵌入道路帧，结合条件循环神经网络实现驾驶视频预测。
Eder Santana, George Hotz
提出两技术提升RNN会话推荐：数据增强与数据偏移适应，实验提升12.8%和14.8%。
Yong Kiam Tan, Xinxing Xu, Yong Liu
提出Wide & Deep模型结合线性与深度网络，提升Google Play推荐系统性能，在线提升应用获取率。
Heng-Tze Cheng, Levent Koc, Jeremiah Harmsen 等
匹配网络实现一-shot学习，提升ImageNet准确率至93.2%，Omniglot至93.8%。
Oriol Vinyals, Charles Blundell, Timothy Lillicrap 等
提出多项改进GAN训练的技术，提升半监督分类和图像质量。
Tim Salimans, Ian Goodfellow, Wojciech Zaremba 等
A-LTM利用知识蒸馏保持旧任务，解决神经网络的灾难性遗忘问题。
Tommaso Furlanello, Jiaping Zhao, Andrew M. Saxe 等
OpenAI Gym以统一接口和版本化环境重塑RL基准，初始涵盖5类任务。
Greg Brockman, Vicki Cheung, Ludwig Pettersson 等