Frank-Wolfe算法变体实现全局线性收敛，适用于流量多面体等约束。
Simon Lacoste-Julien, Martin Jaggi
Gated Graph Sequence Neural Networks结合门控循环单元和现代优化技术，提升图结构数据的序列输出能力。
Yujia Li, Daniel Tarlow, Marc Brockschmidt 等
提出结构化RNN（S-RNN），结合高层时空图，显著提升人类动作与物体交互建模性能。
Ashesh Jain, Amir R. Zamir, Silvio Savarese 等
提出Proposal Flow，利用多尺度目标候选区域实现图像对应，显著优于现有方法。
Bumsub Ham, Minsu Cho, Cordelia Schmid 等
防御性蒸馏将对抗样本成功率从95.89%降到0.45%。
Nicolas Papernot, Patrick McDaniel, Xi Wu 等
提出多项式时间优化星射凸函数的算法，突破梯度依赖限制。
Jasper C. H. Lee, Paul Valiant
研究深度神经网络初始化区域的几何特性，发现过度参数化网络更易找到全局最优路径。
Itay Safran, Ohad Shamir
使用CNN和领域变换进行语义图像分割，显著提高边界精度，mIOU达66.35%。
Liang-Chieh Chen, Jonathan T. Barron, George Papandreou 等
神经模块网络结合深度学习与语言结构，在VQA数据集上表现优异。
Jacob Andreas, Marcus Rohrbach, Trevor Darrell 等
引入边界神经场(BNF)，结合边界信息和FCN预测，提高语义分割精度。
Gedas Bertasius, Jianbo Shi, Lorenzo Torresani
基于傅里叶和切比雪夫展开的量子线性系统算法，显著降低对精度依赖至多对数级。
Andrew M. Childs, Robin Kothari, Rolando D. Somma
提出一种生成和理解图像中特定对象的明确描述的方法，基于MS-COCO数据集。
Junhua Mao, Jonathan Huang, Alexander Toshev 等
使用卷积网络从1亿Flickr图像中学习视觉特征，性能媲美Imagenet。
Armand Joulin, Laurens van der Maaten, Allan Jabri 等
IA结合五种技巧，在Set5×3上比A+提升0.87dB。
Radu Timofte, Rasmus Rothe, Luc Van Gool
深度核学习结合深度学习结构与核方法的非参数灵活性，提升可表达性和可扩展性。
Andrew Gordon Wilson, Zhiting Hu, Ruslan Salakhutdinov 等
提出扩散卷积神经网络（DCNN），利用图的扩散特性实现节点分类，显著优于传统模型。
James Atwood, Don Towsley
BinaryConnect在训练中将深度神经网络的权重限制为±1，通过在前向和反向传播中使用二值权重实现减小计算复杂度，达到接近最优的分类性能。
Matthieu Courbariaux, Yoshua Bengio, Jean-Pierre David
提出基于高斯过程的估计优化策略，无需调参，连接GP-UCB和GP-PI，提升鲁棒性。
Zi Wang, Bolei Zhou, Stefanie Jegelka
基于高斯随机矩阵模型，推导任意维度和因子数的特征值相关函数，揭示极限行为。
J. R. Ipsen
Numenta异常检测基准（NAB）提供实时流数据异常检测的标准化评估框架。
Alexander Lavin, Subutai Ahmad