Metadata-Conscious Anonymous Messaging, ICML2016
匿名性を保ったSNSグラフ上へのメッセージ拡散はdiffusion processでモデル化できる。
しかしこのプロセスは時間情報が手に入る敵対者に対し脆弱である。
2015に提案されたadaptive diffusionを用いると、それらに対する匿名性を最適化し性能が向上可能である。

ROBUST CONVOLUTIONAL NEURAL NETWORKS UNDER ADVERSARIAL NOISE, ICLR2016
CNNは敵対的ノイズに弱い事は知られている。
本論で提案するCNNはそうしたノイズにロバストである。
確率的なノイズを入力とCNNモデルへ加える事で実現される。
通常と敵対的な目的関数双方を用いてCNNは学習され、パラメータはピクセルの平均と分散を用いる事で効率化しスケーラビリティを改善した。

LEARNING TO DECOMPOSE FOR OBJECT DETECTION AND INSTANCE SEGMENTATION, ICLR2016
CNNによる物体検知、あるいはセグメンテーションはその前後に前処理や後処理が必要である。
その処理は、region proposalとnon-maximum suppressionが含まれる。
本論ではそれらをend to endで行えるNN手法を提案する。

PARTICULAR OBJECT RETRIEVAL WITH INTEGRAL MAX-POOLING OF CNN ACTIVATIONS, ICLR2016
クエリ画像の持つコンポーネント情報から元の画像を探しだすタスクは、類似度ベースでデータベースの画像をランク付けするfiltering stageと、その類似度上位画像に関して再評価を行い性能向上するre-ranking stageで成り立つ。
本論ではCNNベースの手法でこれを実現する。
このモデルではクエリ画像が持つ複数コンポーネントを一度に処理可能で、コンパクトな特徴表現を学習出来る。
またmax-poolingを通した画像統合により、object localizationを可能にした。
さらにこの手法によりreranking手法に関してもより高効率化したquery expansion methodを提案する。

You Only Look Once: Unified, Real-Time Object Detection, CVPR 2016
従来のobject detectionはregion proposalや分類などが別々に分かれており、それらを組み合わせる事で実現していた。
本論で提案する手法はそれを一度に処理する回帰モデルとして提案する。
このモデルは画像をグリッド分けし、各グリッドが同時にクラス分類、bounding boxとそのconfidenceを予測し、すべての物体検知を一度に行う。
一度に処理可能な事から高速な処理が可能であり、また学習される特徴は非常に一般的なものになる。