提出基于生成模型的压缩感知方法，若G为L-Lipschitz，随机高斯测量数为O(k log L)，实现高效重建。
Ashish Bora, Ajil Jalal, Eric Price 等
扩展Sobolev核正则化学习率，结合积分算子与嵌入性质，提升硬学习场景中的泛化能力。
Simon Fischer, Ingo Steinwart
提出Wasserstein GAN，通过优化EM距离改善训练稳定性与模式崩溃问题。
Martin Arjovsky, Soumith Chintala, Léon Bottou
提出稀疏化深度神经网络的变分Dropout，参数减少达280倍，精度影响微小。
Dmitry Molchanov, Arsenii Ashukha, Dmitry Vetrov
提出Stein样本学习算法，通过Stein变分梯度调整神经网络参数，应用于深度能量模型的近似最大似然训练。
Dilin Wang, Qiang Liu
提出基于RKHS的非参数强度估计方法，模型通过平方根变换实现高维可扩展性。
Seth Flaxman, Yee Whye Teh, Dino Sejdinovic
提出C2ST方法，利用二分类器评估两个样本分布相似性，具有良好的解释性和统计性质。
David Lopez-Paz, Maxime Oquab
提出无参数的Coin Betting算法，显著提升变化环境下的强适应性在线学习性能。
Kwang-Sung Jun, Francesco Orabona, Rebecca Willett 等
基于残差网络的分布匹配方法（MMD-ResNet）有效去除批次效应，应用于CyTOF和单细胞RNA测序数据。
Uri Shaham, Kelly P. Stanton, Jun Zhao 等
提出线性分类探针监测中间层特征，发现深层特征线性可分性单调增强。
Guillaume Alain, Yoshua Bengio
提出基于变分自编码器的深度生成模型，结合DGDN解码器与CNN编码器，实现图像、标签和字幕的联合学习。
Yunchen Pu, Zhe Gan, Ricardo Henao 等
利用GRU深度神经网络进行多任务学习提升文本推荐准确率，特别在冷启动场景中表现优异。
Trapit Bansal, David Belanger, Andrew McCallum
本研究揭示高斯混合模型中局部极大值存在性及其对EM算法的影响。
Chi Jin, Yuchen Zhang, Sivaraman Balakrishnan 等
提出Stein变分梯度下降（SVGD）算法，通过粒子演化实现贝叶斯推断，KL散度最小化。
Qiang Liu, Dilin Wang
提出两种方差减小方法改善分布式统计学习中的Bootstrap模型融合，提升估计效率。
Jun Han, Qiang Liu
提出基于差分隐私的深度学习训练算法，结合Moments Accountant实现严格隐私控制。
Martín Abadi, Andy Chu, Ian Goodfellow 等
提出模型无关的局部可解释方法LIME，利用局部线性模型实现对复杂模型的解释，适用多种模型和数据类型。
Marco Tulio Ribeiro, Sameer Singh, Carlos Guestrin
提出两种半度量方法，通过优化统计检验的检验力下界，选择特征以最大化分布可区分性。
Wittawat Jitkrittum, Zoltan Szabo, Kacper Chwialkowski 等
通过时间对比学习和非线性ICA进行无监督特征提取，首次实现非线性ICA的可识别性。
Aapo Hyvarinen, Hiroshi Morioka
提出一种谱正则化方法，获得统计逆学习问题的最优收敛速率。
Gilles Blanchard, Nicole Mücke