很大一部分论文描述或研究了新的机器学习方法或理论。这类论文的例子可能包括: 一篇提出新的学习算法的论文; 一篇描述困难应用的解决方案的论文; 或者一篇证明某种学习方法的错误的界限的论文。这些论文有望作出重要的(i)算法，(ii)应用，或(iii)理论贡献。NIPS 寻求发表在世界上有很高影响力的论文——不仅在我们的研究社区，而且在其他领域。因此，在适当的情况下，将根据以下五个标准对文件进行评价:

算法的新颖性。例如，一篇论文给出了一个算法的优雅的新推导; 或者一篇论文提出了一个解决现有问题的新方法。
应用/问题的新颖性。例如，一篇论文提出了一个重要的应用，迄今为止很少在 NIPS 研究。或者，引入一个新的机器学习问题(过去的一些例子包括独立分量分析和结构预测) ，并提出一个算法。
应用的难度。例如，将机器学习应用于一个困难的、重要的、“真实”的应用程序，它考虑到让一个非琐碎的系统工作的全部复杂性。
结果的质量。该算法是否经过严格论证，能够对所考虑的任务给出良好的经验性表现(在这里，“真实”数据或“真实”实验可能比“人工”或“玩具”实验更有效) ，或者理论结果是否强大和有趣等等。
洞察力传达。论文是否传达了对算法性质的洞察力; 实际应用或问题的性质; 学到的一般经验教训; 以及/或其他人今后工作可能使用的理论或数学工具。

论文的类型：

为该模型提出了一种新的自然学习模型和算法(例如: 贝叶斯学习、统计学习、 PAC 学习、在线学习、 MDP 学习、 Boosting)。
在一些标准设置中提出了一种改进的算法并进行了分析。
证明一些人一直在尝试的学习任务是困难的或不可能的。
“其他”。学习定理的元定理等。技术上的困难或新奇不是目标。影响学习的过程和实践是目标。实验结果是好的，但一般来说是不必要的。