本研究提出了一种名为深度神经损伤（DNL）的轻量级方法，通过翻转深度神经网络参数的符号位来引发准确性下降。研究表明，仅需翻转少量符号位即可造成显著的准确率损失，并探讨了应对此类攻击的防御策略。

本研究提出了一种轻量级方法，通过历时词相似度矩阵分析多个时间段的语义转变，克服了仅考虑相邻时间段变化的不足，能够深入分析持续的语义转变，并对表现相似的词进行无监督分类。

该文介绍了一种提高最差群组准确性的方法，通过模型选择族群注释和少数类别注释，无需额外数据或注释。同时，作者提出了一种轻量级方法SELF，通过误分类或不一致性数据构建重新加权数据集，在四个基准测试中无需族群注释和少于3%的保留类别注释即可与DFR相媲美。