提出基于残差卷积网络的深度预测模型，参数少、实时性强，精度优于现有方法。
Iro Laina, Christian Rupprecht, Vasileios Belagiannis 等
通过深度生成网络(DGN)改进激活最大化(AM)，生成高质量、可解释的神经元偏好输入。
Anh Nguyen, Alexey Dosovitskiy, Jason Yosinski 等
基于LSTM的视频摘要方法，通过结构化预测实现关键帧和子片段自动选择，达成最优性能。
Ke Zhang, Wei-Lun Chao, Fei Sha 等
提出基于自相似结构的FractalNet，无残差连接，达成与ResNet相当性能。
Gustav Larsson, Michael Maire, Gregory Shakhnarovich
提出无监督视频预测模型，基于像素运动，能泛化未见对象，应用于机器人交互数据。
Chelsea Finn, Ian Goodfellow, Sergey Levine
提出基于类别级语义分割的实例分割方法，在PASCAL VOC 2012达79.1% mIoU，超越detect-then-segment。
Zifeng Wu, Chunhua Shen, Anton van den Hengel
提出可微Forth解释器，结合程序草图与梯度优化，实现复杂序列任务。
Matko Bošnjak, Tim Rocktäschel, Jason Naradowsky 等
提出R-FCN，基于区域的全卷积网络，结合位置敏感得分图，实现高效准确的目标检测。
Jifeng Dai, Yi Li, Kaiming He 等
通过时间对比学习和非线性ICA进行无监督特征提取，首次实现非线性ICA的可识别性。
Aapo Hyvarinen, Hiroshi Morioka
提出端到端训练的深度语言模型，用于细粒度视觉描述的零样本识别，超越属性方法。
Scott Reed, Zeynep Akata, Bernt Schiele 等
Yelp餐评上，TF-IDF词/二元组配逻辑回归达64%验证准确率，测试集准确率54%、RMSE 0.92。
Nabiha Asghar
提出了一种改进的ρ估计器，用于稳健地估计联合分布，适用于非独立同分布数据。
Yannick Baraud, Lucien Birgé
提出Thingi10K数据集，包含1万3D打印模型，分析几何与上下文特征。
Qingnan Zhou, Alec Jacobson
提出基于行列式点过程的随机采样方法，实现维度d中误差以N^{-(1+1/d)/2}收敛。
Rémi Bardenet, Adrien Hardy
扩展Rademacher收敛不等式至向量值函数，提出向量收缩不等式，适用于多类别学习、K-means及学习学习。
Andreas Maurer
提出连续控制任务基准，评估深度强化学习算法性能，涵盖31个任务，揭示算法优劣。
Yan Duan, Xi Chen, Rein Houthooft 等
提出一种O(√n)内存训练深层网络的方法，仅增加一次前向计算。
Tianqi Chen, Bing Xu, Chiyuan Zhang 等
提出一种谱正则化方法，获得统计逆学习问题的最优收敛速率。
Gilles Blanchard, Nicole Mücke
提出基于相对深度标注的深度估计算法，结合新数据集显著提升野外单图深度感知。
Weifeng Chen, Zhao Fu, Dawei Yang 等
Deep3D利用深度卷积神经网络端到端自动将2D视频转换为3D立体效果，显著优于传统方法。
Junyuan Xie, Ross Girshick, Ali Farhadi