提出一种基于几何特征的偏差消除算法，有效减弱Google News词向量中的性别偏见，保持语义关系。

Tolga Bolukbasi, Kai-Wei Chang, James Zou 等

扩展Sinkhorn算法用于非平衡最优传输，结合熵正则化实现高效近似。

Lenaic Chizat, Gabriel Peyré, Bernhard Schmitzer 等

提出基于字符n-gram的词向量模型，有效捕获词形信息，提升多语种词义和语法任务表现。

Piotr Bojanowski, Edouard Grave, Armand Joulin 等

利用快速梯度符号法和迭代方法生成对抗样本，实验证明在物理环境中仍具误导性。

Alexey Kurakin, Ian Goodfellow, Samy Bengio

提出fastText，基于词袋模型和层次softmax，训练速度达十分钟内，性能媲美深度模型。

Armand Joulin, Edouard Grave, Piotr Bojanowski 等

扩展LTLvis图形界面结合路径自定义与LTL规划，提升非专家用户操作效率。

Wei Wei, Kangjin Kim, Georgios Fainekos

提出两种方差减小方法改善分布式统计学习中的Bootstrap模型融合，提升估计效率。

Jun Han, Qiang Liu

使用LSTM编码器-解码器检测多传感器异常，适用于长短时间序列。

Pankaj Malhotra, Anusha Ramakrishnan, Gaurangi Anand 等

提出基于差分隐私的深度学习训练算法，结合Moments Accountant实现严格隐私控制。

Martín Abadi, Andy Chu, Ian Goodfellow 等

通用机器学习框架预测无机材料性质，提升预测准确性。

Logan Ward, Ankit Agrawal, Alok Choudhary 等

Li和Hoiem提出“Learning without Forgetting”方法，利用新任务数据在不访问旧任务数据的情况下保持模型性能。

Zhizhong Li, Derek Hoiem

提出两技术提升RNN会话推荐：数据增强与数据偏移适应，实验提升12.8%和14.8%。

Yong Kiam Tan, Xinxing Xu, Yong Liu

提出序列级知识蒸馏方法，显著提升NMT模型压缩效率，最佳模型速度提升10倍，BLEU仅降0.4。

Yoon Kim, Alexander M. Rush

提出Wide & Deep模型结合线性与深度网络，提升Google Play推荐系统性能，在线提升应用获取率。

Heng-Tze Cheng, Levent Koc, Jeremiah Harmsen 等

利用平行语料估算21种语言的词熵，揭示稳定收敛点，助力跨语言比较。

Christian Bentz, Dimitrios Alikaniotis

提出DoReFa-Net，低比特宽度权重激活和梯度训练，达成与32位相当的准确率。

Shuchang Zhou, Yuxin Wu, Zekun Ni 等

提出LAMBADA数据集，评估模型对广泛语篇理解的能力，现有模型准确率不足1%。

Denis Paperno, Germán Kruszewski, Angeliki Lazaridou 等

论文以MAP因子图统一SLAM，并提出迈向鲁棒感知时代的路线。

Cesar Cadena, Luca Carlone, Henry Carrillo 等

提出模型无关的局部可解释方法LIME，利用局部线性模型实现对复杂模型的解释，适用多种模型和数据类型。

Marco Tulio Ribeiro, Sameer Singh, Carlos Guestrin

使用条件PixelCNN生成图像，提升ImageNet上PixelRNN的表现。

Aaron van den Oord, Nal Kalchbrenner, Oriol Vinyals 等