提出基于图谱估计的谱卷积网络，有效处理非欧几里得数据，匹配或优于Dropout网络。
Mikael Henaff, Joan Bruna, Yann LeCun
提出基于图网络的视觉关系模型，利用大规模亚马逊数据实现衣物搭配推荐。
Julian McAuley, Christopher Targett, Qinfeng Shi 等
提出一种随机迭代线性系统求解方法，结合六种等价解释，涵盖已知算法并引入新变体。
Robert M. Gower, Peter Richtárik
置换搜索可行，但PP-Index/MI-file仍慢于更优过滤
Bilegsaikhan Naidan, Leonid Boytsov, Eric Nyberg
Pointer Networks利用注意力机制作为指针，解决变长输入输出问题，成功应用于凸包、Delaunay三角剖分和旅行商问题。
Oriol Vinyals, Meire Fortunato, Navdeep Jaitly
提出一种剪枝方法，通过学习重要连接，AlexNet参数缩减9倍，VGG-16缩减13倍，保持准确率。
Song Han, Jeff Pool, John Tran 等
Path-SGD方法通过路径正则化优化深度神经网络，提升了MNIST等数据集上的性能。
Behnam Neyshabur, Ruslan Salakhutdinov, Nathan Srebro
Guu等以组合训练改造TransE和双线性模型，路径查询误差最高降低76.2%。
Kelvin Guu, John Miller, Percy Liang
引入基于自然语言描述的3D场景生成方法，结合深度学习与规则模型，显著提升场景生成的准确性和多样性。
Angel Chang, Will Monroe, Manolis Savva 等
通过上下文预测进行无监督视觉表示学习，提升了Pascal VOC 2011数据集上的物体发现能力。
Carl Doersch, Abhinav Gupta, Alexei A. Efros
本文提出基于CNN的单目目标实例分割与深度排序方法，利用多尺度重叠区域预测并通过MRF融合，显著提升KITTI数据集表现。
Ziyu Zhang, Alexander G. Schwing, Sanja Fidler 等
提出多区域语义分割感知CNN模型，结合迭代定位实现高精度检测，VOC2007达78.2% mAP。
Spyros Gidaris, Nikos Komodakis
提出Neural-Image-QA，结合CNN与LSTM，显著提升图像问答性能，达成准确率17.49%。
Mateusz Malinowski, Marcus Rohrbach, Mario Fritz
提出基于深度卷积神经网络的直接感知模型，用于自主驾驶中的道路状态估计，训练数据来自12小时视频游戏驾驶。
Chenyi Chen, Ari Seff, Alain Kornhauser 等
Fast R-CNN通过共享特征和多任务训练，提升检测速度9倍，mAP达66%，显著优于R-CNN和SPPnet。
Ross Girshick
FlowNet以CNN端到端预测光流，在Flying Chairs上训练并以5–10 fps泛化至Sintel、KITTI。
Philipp Fischer, Alexey Dosovitskiy, Eddy Ilg 等
提出了一种新的边缘检测算法HED，在BSD500数据集上取得了0.782的ODS F-score。
Saining Xie, Zhuowen Tu
MAP-Elites通过多维特征空间映射高性能解，揭示搜索空间分布。
Jean-Baptiste Mouret, Jeff Clune
提出增量稀疏高斯过程回归算法，用于连续时间轨迹估计与建图，显著提升效率。
Xinyan Yan, Vadim Indelman, Byron Boots
提出核方法KEMA实现多源数据无配对的流形对齐与域适应，性能优于现有方法。
Devis Tuia, Gustau Camps-Valls