提出端到端训练深度视觉运动策略，利用指导策略搜索实现92,000参数CNN直接映射图像到机器人扭矩。
Sergey Levine, Chelsea Finn, Trevor Darrell 等
K-FAC通过Kronecker分解近似Fisher矩阵，加速神经网络自然梯度优化。
James Martens, Roger Grosse
LINE通过优化第一、二阶邻近关系，能在百万级节点网络中高效学习低维嵌入。
Jian Tang, Meng Qu, Mingzhe Wang 等
DC-IGN通过SGVB算法学习图像的可解释表示，能生成不同姿态和光照的图像。
Tejas D. Kulkarni, Will Whitney, Pushmeet Kohli 等
提出知识蒸馏技术，将集成模型的知识压缩成单一模型，显著提升MNIST和语音识别性能。
Geoffrey Hinton, Oriol Vinyals, Jeff Dean
贝叶斯案例模型(BCM)通过生成框架实现案例推理和原型分类。
Been Kim, Cynthia Rudin, Julie Shah
基于支持函数的在线凸优化算法实现Blackwell逼近，保证收敛速率。
Nahum Shimkin
Exp3.G证明反馈图分三类：强可观测为~√(αT)，弱可观测为~δ^(1/3)T^(2/3)，不可观测为Θ(T)。
Noga Alon, Nicolò Cesa-Bianchi, Ofer Dekel 等
提出深度卷积神经场模型，单目图像深度估计性能优于现有方法。
Fayao Liu, Chunhua Shen, Guosheng Lin 等
提出强适应性在线学习算法，将低遗憾算法转化为在任意时间段表现接近最优。
Amit Daniely, Alon Gonen, Shai Shalev-Shwartz
提出一套基础问答任务评估AI理解能力，扩展Memory Networks模型，揭示模型在推理任务中的不足。
Jason Weston, Antoine Bordes, Sumit Chopra 等
TRPO（信赖域策略优化）通过近似理论保证单调提升，优化深层神经网络策略，实验显示在机器人控制和Atari游戏中表现优异。
John Schulman, Sergey Levine, Philipp Moritz 等
PESC算法在不确定约束下的贝叶斯优化中表现优于EI方法。
José Miguel Hernández-Lobato, Michael A. Gelbart, Matthew W. Hoffman 等
利用多层LSTM学习视频序列表征，通过自编码和未来预测提升动作识别性能。
Nitish Srivastava, Elman Mansimov, Ruslan Salakhutdinov
SLIM方法通过整数规划优化医疗评分系统的准确性和稀疏性。
Berk Ustun, Cynthia Rudin
MADE通过参数掩码实现自回归约束，显著提升分布估计效率。
Mathieu Germain, Karol Gregor, Iain Murray 等
提出批归一化（Batch Normalization）技术，通过标准化层输入加速深度网络训练，减少内部协变量偏移。
Sergey Ioffe, Christian Szegedy
提出了一种基于视觉注意力的图像描述生成模型，在MS COCO上取得了最先进的性能。
Kelvin Xu, Jimmy Ba, Ryan Kiros 等
提出基于多核并行的高维因果发现PC算法，有效缩短运行时间。
Thuc Duy Le, Tao Hoang, Jiuyong Li 等
ORB-SLAM利用ORB特征实现实时单目SLAM，具有高鲁棒性和精度。
Raul Mur-Artal, J. M. M. Montiel, Juan D. Tardos