我系张钹院士课题组在机器学习著名国际会议NIPS上发表3篇学术论文，分别是:

1) Distributed Context-Aware Bayesian Posterior Sampling via Expectation Propagation，作者徐旻捷、Yee Whye Teh、朱军、张钹。论文针对大数据环境下机器学习算法面临的挑战，提出了分布式贝叶斯随机采样算法，通过有效的信息共享机制，提高分布式随机采样算法的推理精度和时间效率；

2) Spectral Methods for Supervised Topic Models，作者汪一宁、朱军。论文提出了有监督话题模型的谱方法（spectral methods），通过简单地估计数据的低阶统计量以及对该统计量进行张量分解，可以有效恢复模型的未知参数。理论上证明了算法的样本复杂性（sample complexity），并且在7百万的网络评论数据上验证了该算法在预测上的有效性以及在计算上的高效性；

3) Robust Bayesian Max-Margin Clustering，作者陈昌尤、朱军、张新华。论文将朱军副教授所提出的正则化贝叶斯理论进一步扩展用于无监督的聚类任务，提出高效鲁棒的后验推理算法，在多个真实数据集上验证了有效性。该论文部分工作为陈昌尤博士在张钹院士课题组访问期间完成。