本研究探讨了大型语言模型（LLMs）在自动评估中的非传递性问题，发现评审存在非传递偏好，影响模型排名。为提高排名的可靠性，提出结合循环赛和Bradley-Terry模型的方法，并引入瑞士式迭代配对以提升效率。

本文研究了影响对抗样本传递性的因素，提出了多种增强传递性的方法，如方差降低攻击、GAMA和查询先验方法等。实验结果表明，这些方法在CIFAR和ImageNet数据集上显著提高了对抗攻击的可转移性和效率。此外，研究引入了TAA-Bench基准框架，为不同模型的比较分析提供了标准化平台。

本文研究了影响对抗样本传递性的因素，提出了方差降低攻击等新策略以增强传递性。通过多种实验验证了这些技术在不同模型和数据集上的有效性，显著提高了对抗攻击的成功率。

本文讨论了构建系统中的传递性和非传递性依赖，以及它们在CMake和Bazel中的应用。CMake有三种依赖类型，而Bazel只有传递性依赖。然而，Bazel允许用户定义自定义构建规则来实现不同类型的依赖。良好管理依赖接口可以提高构建的可靠性。

本文提出了一种基于深度学习的因果中介分析方法，旨在揭示混淆变量并估计因果效应，适用于观察性研究和因果公平性问题。研究探讨了非参数模型和半参数框架在医疗数据分析中的应用，强调了处理缺失数据和治疗选择偏倚的重要性。

多项研究探讨大语言模型的文化价值观对齐，发现模型在特定文化语言提示下文化一致性更高，但存在西方中心偏见，并高估非西方国家的保守性。研究提出人类学提示、A2EHV评估、CultureLLM微调等方法以提升跨文化对齐，强调需更平衡的多语言预训练数据来代表人类经验的多样性。

本文综述了对抗攻击与生成对抗网络的多项研究：AdvGAN可高效生成对抗样本，黑盒攻击成功率达92.76%；梯度范数惩罚能提升对抗样本的可迁移性；MGAA利用元学习缩小梯度方向差距；梯度修正法在ImageNet上取得82.07%的平均迁移成功率；此外还涉及T-GD检测GAN生成图像、生成对抗训练增强泛化性与鲁棒性、跨任务特征构建对抗样本以及像素空间域适应等方法。

通过总结现有研究，确定了影响Visual-Language Pre-training模型转移攻击效果的两个因素：跨模态交互和数据多样性。提出了一种新的基于自我增强的转移攻击方法SA-Attack，并在Flickr30K和COCO数据集上验证了其有效性。

本文提出了一种统一的GNN稀疏化框架，通过剪枝图邻接矩阵和模型权重来加速大规模图上的GNN推理。同时将lottery ticket假设推广到GNN，并定义了图lottery ticket作为核心子数据集和稀疏子网络对的一对。实验证明，在不影响预测性能的前提下，GLT能够在各种GNN架构和不同任务的数据集上实现MACS节约。

本文通过分析超过10,000条人类象棋比赛记录，研究了象棋游戏中的传递性与非传递性元素，并引入了JiangJun算法，该算法是蒙特卡洛树搜索和策略空间响应神谕的创新组合，旨在近似纳什均衡。经过微信小程序的评估，算法在与人类玩家的比赛中取得了99.41%的胜率，达到了大师级水平。量化指标和可视化结果证实了该算法在克服非传递性方面的有效性。

ThreadLocal是为每个线程提供独立本地变量的机制，避免了线程安全问题和死锁风险。文章介绍了ThreadLocal的概念、原理和使用方法，以及InheritableThreadLocal类的使用。ThreadLocal变量不具有传递性。