本研究提出了一种新方法生成预测集（GPS），通过结合回归算法，利用样本分布的内在结构，生成有效且小的预测集。实验结果表明，GPS在代码生成和数学题等应用中优于现有方法，显示出显著的有效性。

该研究探讨了大型语言模型中的成员推断攻击（MIA）性能不一致的问题。通过数千次实验的统计分析，发现样本分布差异是主要原因。研究指出模型规模、文本特征和解码动态等因素影响MIA表现，并提出了阈值决策的挑战，为提高MIA准确性提供了新见解。

本文提出了一种使用标签和环境因果独立（LECI）的方法，解决了识别因果和不变子图的挑战，并通过对抗训练策略共同优化这两个特性，实现对因果子图的发现。该方法在合成和现实数据集上表现优于先前的方法，成为一种实用和有效的解决方案。