使用神经网络语言模型作为习得理论，探索学习英语动词被动语态的例外情况所利用的间接证据来源。通过模拟语言输入的特征，研究发现，动词的被动语态频率显著影响其可被转换为被动语态的能力，而动词的语义并不起作用。这项研究突出了修改语言模型的训练数据对于回答需要对学习者输入具有完全控制的问题的实用性。

该文提出了一个基于数据无关性的测试时间对抗防御框架，包含检测和纠正机制，并提出了一种软检测方案来提高纠正机制的有效性。在多个数据集和网络架构上进行了广泛的实验和分析，证明了所提方法的功效。

通过对京东-我的京东-年度账单bug的排查发现，Hive和Spark引擎之间的语法兼容差异、计算脚本逻辑错误、Hive/Spark与Presto之间的行转列函数及隐式转换也存在差异，Hive的隐式转换更为广泛，而Presto尤其在字符类型的隐式转换中更为严格。