提出Exp3-DOM算法，基于支配集实现有向观察图的最优遗憾界（不超过50字）
Noga Alon, Nicolò Cesa-Bianchi, Claudio Gentile 等
SLIM用0-1损失、L0稀疏和整数约束，构建可手算且高准确率的评分模型。
Berk Ustun, Stefano Tracà, Cynthia Rudin
提出基于损失函数的通用贝叶斯更新框架，适用于模型不完全或参数非密度索引情境。
Pier Giovanni Bissiri, Chris Holmes, Stephen Walker
现代证明Hanson-Wright不等式，推导子高斯随机向量的浓缩界，应用距离和范数界。
Mark Rudelson, Roman Vershynin
提出Black-Box算法BOLD和QPM-D，解决延迟反馈下的在线学习，理论界和实践均有突破。
Pooria Joulani, András György, Csaba Szepesvári
提出基于图聚类的随机化方法，显著降低网络干扰下的估计方差。
Johan Ugander, Brian Karrer, Lars Backstrom 等
提出GP-UCB-PE算法，结合UCB与纯探索，批量优化高效，理论界限优于单步方法。
Emile Contal, David Buffoni, Alexandre Robicquet 等
提出基于广播的子梯度推送算法，应对时间变化有向图中的分布式优化，收敛速率为O(ln t/√t)。
Angelia Nedic, Alex Olshevsky
提出高维模型置信区间与检验的渐近最优方法，基于去稀疏化的Lasso，分析其渐近性质。
Sara van de Geer, Peter Bühlmann, Ya'acov Ritov 等
本文将一致性预测（Conformal Prediction）应用于函数数据，构建无分布假设的预测带和聚类树，结合投影和伪密度实现高效、可靠的分析。
Jing Lei, Alessandro Rinaldo, Larry Wasserman
提出一种在潜变量和选择偏差条件下的因果推断方法，基于条件独立性关系进行可靠推断。
Peter L. Spirtes, Christopher Meek, Thomas S. Richardson
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
使用深度学习检测机器人抓取，成功率达84%和89%。
Ian Lenz, Honglak Lee, Ashutosh Saxena
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