提出深度Wasserstein嵌入，通过神经网络快速逼近W2距离，显著提升大规模数据分析效率。
Nicolas Courty, Rémi Flamary, Mélanie Ducoffe
提出全自适应线性带宽纯探索算法LinGapE，样本复杂度接近理论下界。
Liyuan Xu, Junya Honda, Masashi Sugiyama
提出逐步剪枝技术，通过稀疏化大模型实现模型压缩，性能优于等效的小密集模型。
Michael Zhu, Suyog Gupta
提出一种端到端训练深度神经网络的众包层，结合EM算法与噪声标签，提升多标注数据学习效果。
Filipe Rodrigues, Francisco Pereira
基于最近邻条件互信息估计的非参数条件独立性检验，适用于高维非线性依赖，具有良好的校准和高效性能。
Jakob Runge
提出鲁棒统计方法检测异常点，包括位置、散布、回归、PCA等，提升抗干扰能力。
Peter J. Rousseeuw, Mia Hubert
DARLA通过学习解缠表示显著提高零样本迁移能力，提升270.3%。
Irina Higgins, Arka Pal, Andrei A. Rusu 等
提出连续滤波卷积层，构建SchNet模型，准确预测分子能量与力，突破传统网格限制。
Kristof T. Schütt, Pieter-Jan Kindermans, Huziel E. Sauceda 等
提出噪声约束贝叶斯优化方法，结合拟蒙特卡洛近似提升高噪声环境下的优化效率。
Benjamin Letham, Brian Karrer, Guilherme Ottoni 等
提出基于鲁棒优化的对抗训练方法，显著提升模型对多种攻击的抵抗力。
Aleksander Madry, Aleksandar Makelov, Ludwig Schmidt 等
基于人类偏好的深度强化学习，利用少于1%的交互实现复杂任务。
Paul Christiano, Jan Leike, Tom B. Brown 等
提出Sinkhorn散度用于训练生成模型，结合熵平滑与自动微分，解决高维OT计算难题。
Aude Genevay, Gabriel Peyré, Marco Cuturi
提出ORGAN结合GAN与强化学习优化序列生成，提升分子和音乐样本质量。
Gabriel Lima Guimaraes, Benjamin Sanchez-Lengeling, Carlos Outeiral 等
扩展多臂老虎机模型至非遵从场景，提出Instrument-Armed Bandits，分析不同的遗憾定义及新算法。
Nathan Kallus
引入Parseval网络，通过约束线性和卷积层的谱范数提升对抗鲁棒性，保持近似正交矩阵。
Moustapha Cisse, Piotr Bojanowski, Edouard Grave 等
虚拟对抗训练(VAT)通过虚拟对抗损失实现监督和半监督学习的正则化，提升SVHN和CIFAR-10上的表现。
Takeru Miyato, Shin-ichi Maeda, Masanori Koyama 等
提出基于重要性采样的实用coreset构建框架，优化k-means等多种机器学习问题的样本压缩效果。
Olivier Bachem, Mario Lucic, Andreas Krause
提出BOCA算法，支持连续多保真空间，显著提升优化效率。
Kirthevasan Kandasamy, Gautam Dasarathy, Jeff Schneider 等
提出关系图卷积网络（R-GCN）用于知识图谱补全，提升链路预测29.8%。
Michael Schlichtkrull, Thomas N. Kipf, Peter Bloem 等
本研究提出基于演化策略（ES）作为强化学习（RL）的可扩展替代方案，能在多核环境中高效训练复杂任务。
Tim Salimans, Jonathan Ho, Xi Chen 等