MEV-Boost区块竞拍贡献了大约90％的以太坊区块。在2023年10月至2024年3月期间，仅有三个建造者生产了其中80％，凸显出区块构建者市场中权力的集中。为了促进竞争并保护以太坊的去中心化精神和抗审查特性，理解主导玩家的竞争优势至关重要。本文通过对MEV-Boost拍卖进行全面的实证分析，确定了对建造者赢得区块并获得利润起着重要作用的特征。我们揭示了市场份额与订单流量多样性呈正相关，而盈利能力则与来自独家提供者的订单流量相关，例如集成搜索器和具有排他性协议的外部提供者。此外，我们展示了前十名建造者的市场份额和利润率之间存在正相关关系，其中独家信号、非原子套利和Telegram机器人流等特征与这两个指标强烈相关。这凸显了一个“先有鸡还是先有蛋”的问题，即建造者需要不同的订单流量才能获利，但只有在拥有重要市场份额时才会获得这样的订单流量。总的来说，本研究提供了对驱动建造者市场向中心化方向发展的关键特征进行深入分析，并为设计更多以太坊区块拍卖的迭代提供了有价值的见解，以保护以太坊的抗审查特性。

金融风险往往会从一个实体传播到另一个实体，最终导致系统性风险。防止这种风险的关键在于理解风险传染背后的因果链。尽管如此，现有方法主要强调识别风险，忽略了风险的潜在因果分析。为了解决这个问题，我们提出了一种风险传染因果推理模型，称为RC2R，它利用大型语言模型（LLMs）的逻辑推理能力，通过金融知识图谱（KGs）中嵌入的事实和专家知识来分析风险传染的因果机制。在数据层面上，我们利用金融KGs构建因果指令，使LLMs能够对风险传播进行正式的因果推理，并解决LLMs的“因果鹦鹉”问题。在模型架构方面，我们通过多尺度对比学习对各种粒度的标记和节点进行对齐的融合模块，然后通过跨多头注意机制的软提示将文本和图形结构数据融合起来。为了量化风险传染，我们引入了一个风险路径推断模块，用于计算图中每个节点的风险得分。最后，我们使用桑基图可视化风险传染路径及其强度，提供详细的因果解释。在金融KGs和供应链数据集上的全面实验表明，我们的模型在预测性能和超出分布（OOD）泛化能力方面优于几种最先进的模型。我们将公开提供数据集和代码，以鼓励进一步研究和发展这个领域。

单细胞RNA测序（scRNA-seq）已经彻底改变了我们研究个体细胞差异和揭示独特细胞特征的能力。然而，在scRNA-seq分析中存在一个重要的技术挑战，即出现“掉落”事件，其中某些基因表达无法检测到。这个问题在表达水平低或稀疏的基因中尤为明显，影响了所获得数据的精度和可解释性。为了解决这一挑战，已经实施了各种插补方法来预测这些缺失值，旨在提高分析的准确性和有用性。一种流行的假设认为，scRNA-seq数据符合零膨胀负二项（ZINB）分布。因此，已经开发了一些方法来根据这个分布模拟数据。scRNA-seq分析的最新趋势是出现了深度学习方法。一些技术，如变分自编码器，将ZINB分布作为模型损失函数进行了整合。基于图的方法，如图卷积网络（GCN）和图注意力网络（GAT），也引起了对scRNA-seq分析的深度学习方法的关注。本研究介绍了scVGAE，一种创新方法，将GCN整合到变分自编码器框架中，同时利用ZINB损失函数。这种整合为有效解决scRNA-seq数据中的掉落事件提供了一个有前途的途径，从而提高了下游分析的准确性和可靠性。scVGAE在细胞聚类方面优于其他方法，在14个数据集中有11个表现最佳。消融研究显示scVGAE的所有组件都是必要的。scVGAE是用Python实现的，可在https://github.com/inoue0426/scVGAE下载。