- 社交媒体转发数据增强的组织活动参与者预测
利用社交媒体转发活动数据增强事件参与者预测模型的学习，在两种真实环境下对训练数据以及热启动和冷启动测试情景进行综合实验，评估结果表明我们的方法在几个基准模型中始终表现优异，尤其在限定目标领域数据时。
- 推进广告拍卖逼真度：实践见解和建模影响
在线广告拍卖的学习模型揭示了竞价人行为对关键绩效指标的影响，包括广告槽位置、竞争广告商数量和身份、广告商接收的反馈以及支付规则等特征。同时证明了在更现实的拍卖环境中，即使竞标人来自同一人群，提供 “软底价” 也能提升关键绩效指标。
- 最小化单变量线性损失时，顺序线性对数时间最优单峰拟合
本文研究了单变量学习模型的分数输出的最优单峰转换，并证明了分数值和目标区域之间的最优映射是一个矩形函数。我们提出了一种顺序方法来生成观察样本的最优矩形适配，并且该方法可以随着每个新样本的到来进行估计。我们的方法每次迭代的时间复杂度为对数，效 - 随机逼近渐进学习的模拟退火优化
提出了一种基于退火优化和随机逼近的在线原型学习算法，可作为可解释和逐渐增长的竞争学习神经网络模型，用于监督，无监督和强化学习，并具有较小的超参数调整要求，预防局部极值和鲁棒性。
- 私有 ERM 中隐私保护的实用性差分隐私：理解 Epsilon 对实用性的影响
通过理论探索差分隐私强度参数 epsilon 对学习模型效用的影响，建立并提出了一种可以在任意 epsilon 值下对效用进行估计的实用方法，该方法在实验结果表现出高精度估计和广泛适用性，同时能够在保障隐私的前提下提供较强的效用保证。
- 人工神经网络稳健训练的分析框架
该研究论文提出了一种正式框架以研究机器学习中敌对示例现象，并利用复分析和全纯性提出了一种针对人工神经网络的稳健学习规则，揭示了该现象与调和函数的联系，并能够解释敌对示例的许多特征，包括可转移性，并为缓解敌对示例的影响铺平道路。
- COOPERNAUT：网络车辆协作感知的端到端驾驶
近年来光学传感器和学习算法对于自主驾驶的发展有了显著提高，但今天的自主驾驶仍受到有限视线感知能力和数据驱动方法处理极端情况的脆弱性的阻碍。因此，使用车辆间通信协同感知被认为是一种增强自主驾驶的重要方式。本篇论文提出 COOPERNAUT，一 - 利用部分解释从神经网络中提取规则
本文探讨从神经网络模型中提取用 Horn 逻辑表达的法则的问题。我们利用一个精确的学习模型通过查询来学习抽象的目标概念，同时考虑了部分解释。我们使用 Angluin 算法通过查询来学习 Horn 规则并在实践中评估了我们的策略。
- ICLR多重集合表示学习
本研究旨在通过学习置换不变表征来捕捉 “灵活的” 包含概念，并通过多重集的测量理论定义形式化此问题，提出理论动机的学习模型，并提出在新任务上进行训练：预测多重集对之间的对称差（或交集）的大小。我们展示了我们的模型不仅在预测包含关系方面表现出 - IJCAI数据采集游戏的平衡特征描述
研究了两个公司在机器学习为基础的服务领域中的游戏，考虑购买一组新的数据对公司产品质量的提高，分析了不同参数下的 Nash 均衡情况，并指出游戏的平衡态与顾客福利最大化不一致，证明了游戏结局是较强公司的市场地位减弱而较弱公司的市场地位加强。
- 3D 蛋白结构端到端学习用于界面预测
本研究基于一个大型数据库，通过开发学习模型 SASNet，改进了蛋白质相互作用预测的方法，证明了现有模型的性能不足以适用于大尺度数据，新模型展现出更好的性能。
- 放弃学习
本文探讨了一种适用于平台学习个性化策略的一般性门槛模型，并描述了最佳个性化算法的显著特征以及平台获得的反馈如何影响结果，同时研究了平台如何通过与人群互动来高效地学习用户间的异质性。
- 反馈网络
本文研究了基于反馈的学习方法在计算机视觉领域中的应用，通过反馈机制可以达到与前馈神经网络相同的学习效果，且具有更好的性能表现，并可提供支持层次化结构及课程学习的新思路。
- 全卷积孪生网络用于目标跟踪
使用 ILSVRC15 数据集训练的全卷积 Siamese 网络在视频中实现物体检测和追踪，取得了多项基准测试中的最优性能。