利用图神经网络（GNN）优化组合问题，结合结构编码与关系推理，提升求解效率。
Quentin Cappart, Didier Chételat, Elias Khalil 等
提出稀疏兴趣网络（SINE）用于序列推荐，能自适应提取多兴趣向量，显著提升性能。
Qiaoyu Tan, Jianwei Zhang, Jiangchao Yao 等
FrugalMCT框架通过在线选择多标签分类API，在预算内实现高精度，成本降低90%。
Lingjiao Chen, Matei Zaharia, James Zou
α-Precision、β-Recall与Authenticity以样本级方式评估生成数据的保真性、多样性和泛化性。
Ahmed M. Alaa, Boris van Breugel, Evgeny Saveliev 等
采用BERT预训练模型提升大规模检索性能，NDCG@10达0.6934，超越传统方法11%。
Nick Craswell, Bhaskar Mitra, Emine Yilmaz 等
提出神经网络扩展定律的理论框架，分析四个不同的规模行为，结合核方法和数据流形。
Yasaman Bahri, Ethan Dyer, Jared Kaplan 等
提出基于随机微分方程的无限深贝叶斯神经网络（SDE-BNN），实现高表达性后验分布和零方差梯度估计。
Winnie Xu, Ricky T. Q. Chen, Xuechen Li 等
BRECQ首次将后训练量化位宽推至INT2，实现240倍加速。
Yuhang Li, Ruihao Gong, Xu Tan 等
GASP用超网络生成连续函数分布，在CelebAHQ上达FID 7.42/19.16并支持跨分辨率生成。
Emilien Dupont, Yee Whye Teh, Arnaud Doucet
SwiftNet用像素自适应记忆在DAVIS2017达77.8% J&F、70 FPS。
Haochen Wang, Xiaolong Jiang, Haibing Ren 等
提出IAP利用高效Transformer注意力算法实现像素级关注，显著提升视觉RL表现。
Krzysztof Marcin Choromanski, Deepali Jain, Wenhao Yu 等
SEW ResNet在深度SNN中实现残差学习，提升准确率与时间步长。
Wei Fang, Zhaofei Yu, Yanqi Chen 等
提出PaiNN，基于旋转等变的消息传递神经网络，有效预测张量属性与分子光谱，速度提升4-5个数量级。
Kristof T. Schütt, Oliver T. Unke, Michael Gastegger
利用GPT-3实现邮件理解与自动回复，技术与经济可行，提升效率。
Jonas Thiergart, Stefan Huber, Thomas Übellacker
提出球面散射网络，结合Wavelet变换实现高分辨率旋转等变的球面卷积神经网络。
Jason D. McEwen, Christopher G. R. Wallis, Augustine N. Mavor-Parker
提出多阶段渐进式图像恢复网络（MPRNet），在十个数据集上实现显著性能提升。
Syed Waqas Zamir, Aditya Arora, Salman Khan 等
本文提出12种基于因果充分性与必要性的新定义，结合Pearl与Halpern-Pearl模型，提升实际因果判定的理论基础。
Sander Beckers
提出MAUVE指标，通过信息散度前沿衡量神经文本与人类文本的差距，利用嵌入空间量化，验证模型规模与文本质量的相关性。
Krishna Pillutla, Swabha Swayamdipta, Rowan Zellers 等
提出GraphDF，用离散流模型生成分子图，减少计算成本，避免去量化偏差。
Youzhi Luo, Keqiang Yan, Shuiwang Ji
提出VTN，基于Transformer的视频识别框架，训练快、推理快，性能优异。
Daniel Neimark, Omri Bar, Maya Zohar 等