引入平衡传播框架，结合能量模型与误差反向传播，利用局部扰动实现梯度计算。
Benjamin Scellier, Yoshua Bengio
LIME算法通过局部可解释模型解释任何分类器的预测，提升模型信任度。
Marco Tulio Ribeiro, Sameer Singh, Carlos Guestrin
提出一种基于近似梯度的超参数优化算法（HOAG），在L2正则化逻辑回归和核岭回归中表现优异。
Fabian Pedregosa
采用直接多次射击法的数值最优控制实现多任务轨迹生成，适用于复杂无人机系统。
Mathieu Geisert, Nicolas Mansard
提出multiCluster和multiCCA方法，训练59语种多语言词向量，利用字典和单语数据，无需平行语料。
Waleed Ammar, George Mulcaire, Yulia Tsvetkov 等
提出异步深度强化学习框架，A3C在Atari和连续控制任务中表现优异，训练时间仅为GPU的半数。
Volodymyr Mnih, Adrià Puigdomènech Badia, Mehdi Mirza 等
提出KFC，用结构化概率模型近似卷积层Fisher矩阵，显著提升训练速度。
Roger Grosse, James Martens
提出一种算法，通过在多个环境中观察行为，解决逆强化学习中的不可识别性问题。
Kareem Amin, Satinder Singh
基于ADMM的分布式算法优化光伏逆变器功率管理，提升用户满意度和热损耗表现。
Mohammadhafez Bazrafshan, Nikolaos Gatsis
使用深度密集连接MRF实现自动驾驶实例级分割，提升KITTI基准性能。
Ziyu Zhang, Sanja Fidler, Raquel Urtasun
提出量化卷积神经网络（Q-CNN），实现4-6倍加速和15-20倍压缩，误差仅1%。
Jiaxiang Wu, Cong Leng, Yuhang Wang 等
ShapeNet是一个包含超过300万3D模型的语义丰富、结构详尽的数据库，提供多层次标注支持形状识别与分析。
Angel X. Chang, Thomas Funkhouser, Leonidas Guibas 等
提出最小风险训练（MRT）用于端到端神经机器翻译，显著优于最大似然估计，提升BLEU达8.61分。
Shiqi Shen, Yong Cheng, Zhongjun He 等
提出一种基于PPDB的通用释义句子嵌入方法，简单模型在跨领域任务中表现优异。
John Wieting, Mohit Bansal, Kevin Gimpel 等
提出NetVLAD端到端训练的CNN架构，用于大规模弱监督场所识别，显著优于传统方法。
Relja Arandjelović, Petr Gronat, Akihiko Torii 等
通过膨胀卷积实现多尺度上下文聚合，提高语义分割精度。
Fisher Yu, Vladlen Koltun
基于RNN的会话推荐模型，显著优于传统方法，提升Recall@20至60%以上。
Balázs Hidasi, Alexandros Karatzoglou, Linas Baltrunas 等
提出双边Inception模块的超像素卷积网络，提升语义分割精度。
Raghudeep Gadde, Varun Jampani, Martin Kiefel 等
提出神经程序解释器（NPI），通过学习程序组合实现多任务泛化。
Scott Reed, Nando de Freitas
提出OpenMax层结合Meta-Recognition实现深度网络的开集识别，有效拒绝未知和欺骗样本。
Abhijit Bendale, Terrance Boult