提出OpenBookQA数据集，结合1326个基础科学事实与多源常识，挑战多跳推理，模型表现远低于人类92%。
Todor Mihaylov, Peter Clark, Tushar Khot 等
结合自回归与层级先验的图像压缩模型，达到了比JPEG高59.8%的压缩率。
David Minnen, Johannes Ballé, George Toderici
多目标预测方法统一框架，提升预测准确率。
Willem Waegeman, Krzysztof Dembczynski, Eyke Huellermeier
提出ProdSumNet框架，通过产品-和矩阵分解显著减少深度神经网络参数，MNIST准确率达98.44%仅用3554参数。
Chai Wah Wu
SLAYER方法解决尖峰神经网络的非可微性问题，实现MNIST等数据集的最先进性能。
Sumit Bam Shrestha, Garrick Orchard
提出MLLC模型，利用潜在上下文变量改进视频片段定位，基于TEMPO数据集验证，性能超越现有方法。
Lisa Anne Hendricks, Oliver Wang, Eli Shechtman 等
提出基于可信数据和在线数据选择的去噪神经机器翻译训练方法，在高噪声数据上显著提升NMT性能。
Wei Wang, Taro Watanabe, Macduff Hughes 等
采用LSTM模型分析负极性词项的理解能力，发现模型能识别许可环境与范围，验证其对形式语法的敏感性。
Jaap Jumelet, Dieuwke Hupkes
提出ReCode，基于子树检索的神经代码生成方法，提升BLEU值达2.6。
Shirley Anugrah Hayati, Raphael Olivier, Pravalika Avvaru 等
提出长度校正方法，通过单词奖励解决神经机器翻译中的短句偏差和束搜索性能下降问题。
Kenton Murray, David Chiang
提出MedSTS，基于Mayo临床数据的174,629句对，专家标注0-5相似度，用于临床语义文本相似性研究。
Yanshan Wang, Naveed Afzal, Sunyang Fu 等
提出丰富子群公平性概念，基于Kearns等算法，实证验证其在四个真实数据集中的效果。
Michael Kearns, Seth Neel, Aaron Roth 等
自动数学文字题求解器的语义解析差距调查，揭示算法在大规模数据集上的不足。
Dongxiang Zhang, Lei Wang, Luming Zhang 等
提出软滤波器剪枝（SFP），允许剪枝后滤波器在训练中更新，提升模型容量并实现高效加速。
Yang He, Guoliang Kang, Xuanyi Dong 等
提出Deep InfoMax（DIM）通过最大化输入与编码输出的互信息，结合局部结构与先验匹配，提升无监督表示质量。
R Devon Hjelm, Alex Fedorov, Samuel Lavoie-Marchildon 等
利用对抗训练揭示文本中隐含的保护属性信息，发现其难以完全去除。
Yanai Elazar, Yoav Goldberg
提出SASRec模型，结合自注意力机制捕获长短期用户行为序列，优于现有方法。
Wang-Cheng Kang, Julian McAuley
使用贝叶斯主动学习，通过Dropout和Bayes-by-Backprop提高NLP任务的性能。
Aditya Siddhant, Zachary C. Lipton
提出对抗个性化排序（APR）框架，通过对用户和物品嵌入向量施加对抗扰动，提升推荐模型鲁棒性，基于矩阵分解实现，实验显示优于传统BPR。
Xiangnan He, Zhankui He, Xiaoyu Du 等
使用LSTM网络生成音乐表现，结合音符、时间和动态数据。
Sageev Oore, Ian Simon, Sander Dieleman 等