Soft Actor-Critic (SAC)算法结合最大熵框架，显著提升样本效率和稳定性，适用于机器人控制。
Tuomas Haarnoja, Aurick Zhou, Kristian Hartikainen 等
通过分析深度神经网络中的“遗忘事件”，发现部分样本可删除仍保持优异泛化性能。
Mariya Toneva, Alessandro Sordoni, Remi Tachet des Combes 等
MEGNet模型在分子和晶体属性预测上表现优异，超越SchNet模型。
Chi Chen, Weike Ye, Yunxing Zuo 等
提出基于风格的生成器架构，自动分离高层属性与随机细节，提升图像质量与可控性。
Tero Karras, Samuli Laine, Timo Aila
CROSR方法通过分类和重构学习提升开放集识别，超越现有模型。
Ryota Yoshihashi, Wen Shao, Rei Kawakami 等
PointRCNN采用两阶段策略，直接从点云生成高质量3D目标框，显著优于现有方法。
Shaoshuai Shi, Xiaogang Wang, Hongsheng Li
残差强化学习结合传统反馈控制，用于机器人复杂接触任务，提升效率和鲁棒性。
Tobias Johannink, Shikhar Bahl, Ashvin Nair 等
PartNet：包含573,585个细粒度层级3D部件，推动3D形状理解。
Kaichun Mo, Shilin Zhu, Angel X. Chang 等
提出基于Transformer的动作识别模型，利用高分辨率人脸手部关注实现25.0%的mAP。
Rohit Girdhar, João Carreira, Carl Doersch 等
提出基于最大熵的探索算法，利用条件梯度方法在黑箱规划器支持下实现高效探索，样本复杂度与状态空间无关。
Elad Hazan, Sham M. Kakade, Karan Singh 等
提出场景图自动编码器(SGAE)，结合语言偏置提升图像描述质量，单模型达127.8 CIDEr-D。
Xu Yang, Kaihua Tang, Hanwang Zhang 等
提出基于 attraction field 的区域分割表示，用深度卷积网络实现鲁棒线段检测，性能提升4.5%。
Nan Xue, Song Bai, Fudong Wang 等
提出M3SDA方法，通过动态对齐特征分布的矩来实现多源域适应，在DomainNet数据集上验证有效。
Xingchao Peng, Qinxun Bai, Xide Xia 等
利用Loihi芯片和Nengo工具包，评估两层神经网络关键词识别在能耗和速度上的优势。
Peter Blouw, Xuan Choo, Eric Hunsberger 等
提出了一种微李理论，用于机器人状态估计，简化了SLAM和视觉里程计中的复杂性。
Joan Solà, Jeremie Deray, Dinesh Atchuthan
使用子尺度像素网络和多维放大生成高保真图像，在CelebAHQ和ImageNet上实现最先进的结果。
Jacob Menick, Nal Kalchbrenner
本文分析GAN隐含假设，指出其在理论与实践中的偏差，提出隐式最大似然估计以解决模式崩溃。
Ke Li, Jitendra Malik
本研究通过大规模实验和理论证明，无监督学习解耦表示在无偏差条件下不可行，强调偏置和监督的重要性。
Francesco Locatello, Stefan Bauer, Mario Lucic 等
提出Touchdown任务，结合Google街景实现自然语言导航与空间推理，数据集含9326例指令。
Howard Chen, Alane Suhr, Dipendra Misra 等
利用扩张时序卷积和半监督训练实现视频中3D人体姿态估计，误差减少11%。
Dario Pavllo, Christoph Feichtenhofer, David Grangier 等