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
研究因果学习对半监督学习的影响，提出假设并验证。
Bernhard Schoelkopf, Dominik Janzing, Jonas Peters 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
提出基于RKHS嵌入的非参数MDP转移动态建模方法，避免密度估计，提升策略优化性能。
Steffen Grunewalder, Guy Lever, Luca Baldassarre 等
提出一种基于训练数据学习专家集的在线序列预测算法，有效提升短序列预测性能。
Elad Eban, Aharon Birnbaum, Shai Shalev-Shwartz 等
基于Koopman算子实现非线性动力系统的谱分析与模态分解，提升高维系统理解。
Marko Budišić, Ryan M. Mohr, Igor Mezić
本文提出了一种基于高斯过程的贝叶斯优化方法，显著提升了机器学习算法的超参数调优效率。
Jasper Snoek, Hugo Larochelle, Ryan P. Adams
通过构造贝叶斯测度，证明Krivine方案在逼近Grothendieck常数方面达到最优，误差为(1+O(1/k))KG。
Assaf Naor, Oded Regev
基于压缩感知和误差校正，提出鲁棒状态估计算法，能容错多达p/2-1个传感器攻击，提升系统抗攻击能力。
Hamza Fawzi, Paulo Tabuada, Suhas Diggavi
提出条件均值嵌入的等价性，将其视为向量值回归，显著提升收敛速率至O(log(n)/n)，实现稀疏化与理论保证。
Steffen Grünewälder, Guy Lever, Luca Baldassarre 等
本文系统分析了随机与非随机多臂赌博机的遗憾界限，提出UCB和Exp3算法的性能保证。
Sébastien Bubeck, Nicolò Cesa-Bianchi
提出一种量子算法，通过HHL算法高效评估指数级数据集的最小二乘拟合质量。
Nathan Wiebe, Daniel Braun, Seth Lloyd
实验结合Keller–Segel模型揭示化学趋向聚集，团簇大小N*随速度V线性增长。
I. Theurkauff, C. Cottin-Bizonne, J. Palacci 等
提出线性叠加单元操作的新算法，复杂度为O(m²hte^{1.6√log(mht/ε)})，优于传统乘积公式。
Andrew M. Childs, Nathan Wiebe