引入UNREAL，结合A3C与多任务辅助学习，显著提升Atari和Labyrinth表现，平均性能达87%。
Max Jaderberg, Volodymyr Mnih, Wojciech Marian Czarnecki 等
利用深度神经网络分析漫画中的“缝隙”推理，构建了120万面板的COMICS数据集，提出三项闭合推理任务。
Mohit Iyyer, Varun Manjunatha, Anupam Guha 等
通过轨迹优化和深度学习，学习五指机械手灵巧操作策略，最近邻方法表现最佳。
Vikash Kumar, Abhishek Gupta, Emanuel Todorov 等
论文以伪维度学习SDP舍入与凝聚聚类配置，得到Θ(log n)至Θ(n)样本界。
Maria-Florina Balcan, Vaishnavh Nagarajan, Ellen Vitercik 等
提出SummaRuNNer，基于双向GRU的序列模型，提升文档提取摘要性能。
Ramesh Nallapati, Feifei Zhai, Bowen Zhou
提出Voxblox系统，将TSDF增量构建为ESDF，支持实时无人机路径规划。
Helen Oleynikova, Zachary Taylor, Marius Fehr 等
通过随机标签和噪声实验揭示深度网络的过拟合能力，挑战传统泛化理论。
Chiyuan Zhang, Samy Bengio, Moritz Hardt 等
用随机特征预条件PCG求解精确KRR，百万样本约1小时且不牺牲模型容量。
Haim Avron, Kenneth L. Clarkson, David P. Woodruff
使用神经噪声信道模型提升序列转序列任务性能，特别是在无配对数据上。
Lei Yu, Phil Blunsom, Chris Dyer 等
提出Stein样本学习算法，通过Stein变分梯度调整神经网络参数，应用于深度能量模型的近似最大似然训练。
Dilin Wang, Qiang Liu
提出可微物理引擎，结合深度学习优化机器人控制参数，显著提升优化效率。
Jonas Degrave, Michiel Hermans, Joni Dambre 等
提出双向注意流（BIDAF）模型，利用多层次层级结构和双向注意机制，显著提升机器阅读理解性能。
Minjoon Seo, Aniruddha Kembhavi, Ali Farhadi 等
LSTM在语法敏感依赖学习中的表现，通过数预测和语言模型实验评估。
Tal Linzen, Emmanuel Dupoux, Yoav Goldberg
提出基于RKHS的非参数强度估计方法，模型通过平方根变换实现高维可扩展性。
Seth Flaxman, Yee Whye Teh, Dino Sejdinovic
提出端到端深度学习架构，基于R-MAC，结合三流孪生网络，显著提升图像检索性能。
Albert Gordo, Jon Almazan, Jerome Revaud 等
3D-GAN生成高质量3D对象，提升识别性能。
Jiajun Wu, Chengkai Zhang, Tianfan Xue 等
提出C2ST方法，利用二分类器评估两个样本分布相似性，具有良好的解释性和统计性质。
David Lopez-Paz, Maxime Oquab
提出多重递归神经网络（MRNN）增强BMI解码器的鲁棒性，利用多月数据训练，显著提升对神经变异的适应能力。
David Sussillo, Sergey D. Stavisky, Jonathan C. Kao 等
提出多项式时间半正定规划松弛方法，近似计算紧致度的伪度量。
Soledad Villar, Afonso S. Bandeira, Andrew J. Blumberg 等
提出无参数的Coin Betting算法，显著提升变化环境下的强适应性在线学习性能。
Kwang-Sung Jun, Francesco Orabona, Rebecca Willett 等