提出基于背景知识的因果推断算法，解决因果解释存在性与共通性问题。
Christopher Meek
提出面向带切换成本和其他适应性对手的在线学习新界，获得Bandit反馈下的Ω(T^{2/3})下界。
Nicolo Cesa-Bianchi, Ofer Dekel, Ohad Shamir
提出一种基于等价类的贝叶斯网络结构搜索空间，提升贪心算法性能。
David Maxwell Chickering
提出两种高效学习词向量的模型架构，能在1天内处理16亿词数据，显著提升语义与句法相似度表现。
Tomas Mikolov, Kai Chen, Greg Corrado 等
基于Blackwell可接近性理论，构建一致性、校准策略，利用几何特性实现多目标优化。
Vianney Perchet
提出期望传播（EP）算法，结合ADF与loopy belief propagation，用于混合贝叶斯网络，优于Laplace、变分贝叶斯与蒙特卡洛。
Thomas P. Minka
提出加权平均技术实现Projected Stochastic Subgradient的O(1/t)收敛，方法简单易行。
Simon Lacoste-Julien, Mark Schmidt, Francis Bach
引入非交换Khinchin不等式，放宽系列估计的k/n条件，实现点态与一致性渐近分析。
Alexandre Belloni, Victor Chernozhukov, Denis Chetverikov 等
通过正则化重建误差，自动编码器学习数据分布的局部特性，估计分布的梯度和Hessian矩阵。
Guillaume Alain, Yoshua Bengio
提出稀疏子空间嵌入（OSNAP），实现维度压缩，支持稀疏矩阵，提升线性代数算法效率。
Jelani Nelson, Huy L. Nguyen
提出一种高效的近似推理算法，提升全连接CRF模型的图像分割准确率。
Philipp Krähenbühl, Vladlen Koltun
提出基于图的离散信号处理框架，定义滤波、傅里叶变换等核心概念，应用于社交网络、天气站等数据。
Aliaksei Sandryhaila, Jose M. F. Moura
Vovk用归纳式保序预测器实现多种条件有效性，并证明精确对象条件有效性通常会导致无效的大预测集。
Vladimir Vovk
利用最优传输距离估计支持流形中的概率测度，结合量化和学习理论，提出新界限。
Guillermo D. Canas, Lorenzo Rosasco
提出基于变分原理的马尔可夫最优传输方案，支持连续分布支持于两函数图上。
Mathias Beiglböck, Nicolas Juillet
提出一类鲁棒快速递归算法，用于可分非负矩阵分解，能有效应对噪声，理论保障优于现有方法。
Nicolas Gillis, Stephen A. Vavasis
提出ALE平台，评估通用AI，涵盖55+游戏，结合强化学习与规划技术。
Marc G. Bellemare, Yavar Naddaf, Joel Veness 等
提出联合语言与感知模型，利用概率语法和属性分类实现 grounded 属性学习，显著提升场景理解能力。
Cynthia Matuszek, Nicholas FitzGerald, Luke Zettlemoyer 等
提出保守PC（CPC）算法，仅依赖邻接忠实性，提升因果推断的准确性。
Joseph Ramsey, Jiji Zhang, Peter L. Spirtes
深度学习中的表示学习，利用自动编码器和概率模型实现特征抽取，提升模型泛化能力。
Yoshua Bengio, Aaron Courville, Pascal Vincent