日前，LightOn CEO 兼聯合創始人 Igor Carron 在其博客上放出了其收集到的 NIPS 2016 論文的實現（一共 22 個）。他寫道：「在 Reddit 上，peterkuharvarduk 決定編譯所有來自 NIPS 2016 的可用實現，我很高興他使用了『實現（ implementation）』這個詞，因為這讓我可以快速搜索到這些項目。」除了 peterkuharvarduk 的推薦，這裡的項目還包括 Reddit 其他用戶和 Carron 額外添加的一些新公布的實現。最終他還重點推薦了 GitXiv：http://www.gitxiv.com 。另外，在本文後面還附帶了機器之心關於 NIPS 2016 的文章列表，千萬不要錯過。
1. 使用快速權重關注最近的過去（Using Fast Weights to Attend to the Recent Past）
2. 通過梯度下降來學習通過梯度下降的學習（Learning to learn by gradient descent by gradient descent）
3. R-FCN：通過基於區域的全卷積網絡的目標檢測（R-FCN: Object Detection via Region-based Fully Convolutional Networks）
4. 用於 k-均值的快速和可證明的 Good Seedings（Fast and Provably Good Seedings for k-Means）
5. 如何訓練生成對抗網絡（How to Train a GAN）
6. Phased LSTM：為長的或基於事件的序列加速循環網絡訓練（Phased LSTM: Accelerating Recurrent Network Training for Long or Event-based Sequences）
7. 生成對抗式模仿學習（Generative Adversarial Imitation Learning）
8. 對抗式多類分類：一個風險最小化的角度（Adversarial Multiclass Classification: A Risk Minimization Perspective）
9. 通過視頻預測的用於物理交互的無監督學習（Unsupervised Learning for Physical Interaction through Video Prediction）
10.權重規範化：一種加速深度神經網絡訓練的簡單重新參數化（ Weight Normalization: A Simple Reparameterization to Accelerate Training of Deep Neural Networks）
11. 全容量整體循環神經網絡（Full-Capacity Unitary Recurrent Neural Networks）
12. 帶有隨機層的序列神經模型（Sequential Neural Models with Stochastic Layers）
13. 帶有快速局部化譜過濾的圖上的卷積神經網絡（Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering）
14. Interpretable Distribution Features with Maximum Testing Power
15. 使用神經網絡組成圖模型，用於結構化表徵和快速推理(Composing graphical models with neural networks for structured representations and fast inference )
16. 使用張量網絡的監督學習（Supervised Learning with Tensor Networks）
17. 使用貝葉斯條件密度估計的模擬模型的快速無ε推理（Fast ε-free Inference of Simulation Models with Bayesian Conditional Density Estimation）
18. 用於概率程序的貝葉斯優化（Bayesian Optimization for Probabilistic Programs）
19. PVANet：用於實施目標檢測的輕權重深度神經網絡（PVANet: Lightweight Deep Neural Networks for Real-time Object Detection）
20. 數據編程：快速創建大訓練集（Data Programming: Creating Large Training Sets Quickly）
21. 用於架構學習的卷積神經結構（Convolutional Neural Fabrics for Architecture Learning）
22. 價值迭代網絡（Value Iteration Networks）
論文：https://arxiv.org/abs/1602.02867
TensorFlow 實現：https://github.com/TheAbhiKumar/tensorflow-value-iteration-networks
原作者的 Theano 實現：https://github.com/avivt/VIN
機器之心 NIPS 2016 文章列表
深度 | NIPS 2016最全盤點：主題詳解、前沿論文及下載資源（附會場趣聞）
獨家 | 吳恩達 NIPS 2016 演講現場直擊：如何使用深度學習開發人工智慧應用？
獨家 | 機器之心對話 NIPS 2016 最佳論文作者：如何打造新型強化學習觀？
獨家 | GAN 之父 NIPS 2016 演講現場直擊：全方位解讀生成對抗網絡的原理及未來
資源 | Bengio 和 LeCun 在 NIPS 2016 上的演講
學界 | NIPS 2016 公布 571 篇接收論文
學界 | NIPS 2016 論文 SpotlightVideo 精選，三分鐘了解一項最新研究進展
學界 | NIPS 2016 現場：谷歌發布 28 篇機器學習論文
學界 | DeepMind NIPS 2016 論文盤點（Part1）：強化學習正大步向前
學界 | DeepMind NIPS 2016 論文盤點（Part2）：無監督學習的新進展
業界 | NIPS 2016 現場：LeCun 聯同英偉達，推深度學習教學工具包
業界 | 波士頓動力最新機器人亮相 NIPS 2016，但還未用到機器學習
©本文由機器之心編譯，轉載請聯繫本公眾號獲得授權。
✄---
加入機器之心（全職記者/實習生）：hr@almosthuman.cn
投稿或尋求報導：editor@almosthuman.cn
廣告&商務合作：bd@almosthuman.cn