Cuốn sách là một công trình nghiên cứu của Giáo sư danh dự tại Đại học Bang Arizona, Robert Beno Cialdini. Ông là một nhà tâm lý học. Cuốn sách nhìn chung, là một công trình nghiên cứu tâm lý học đám đông. Thông qua những trích xuất từ các nghiên cứu khác, cũng như các công trình thực nghiệm, ông chỉ ra 6 (sáu) yếu tố ảnh hưởng đến việc ra quyết định của một người.
Đọc cuốn sách, ta dễ liên hệ tới bản thân, đồng thời suy nghĩ về việc mình đã, đang, và sẽ hành xử như thế nào khi gặp tình huống ví dụ. Cả cuộc đời bỗng dưng xuyên qua ta trong phút chốc, ta ngộ ra một vài lần ta bị đa cấp lừa (mà ta đã tránh được, hoặc bị lừa), ta bị thao túng bởi người yêu cũ, vợ cũ, bạn cũ, hay những người làm công việc bán hàng. Ta thấy những nguyên tắc đưa ra là thực tồn, thực hữu. Ta mong ta không tiếp tục vướng phải cái móc câu nữa.
Nhưng đồng thời, tác giả cũng chỉ ra rằng, những nguyên tắc ấy rõ ràng tốt cho chúng ta, tốt cho xã hội con người. Cho và nhận lại, giữ chữ tín, bằng chứng xã hội, thiện cảm, quyền uy hay khan hiếm, đều là những yếu tố giúp ta ít tốn công sức suy nghĩ cho những quyết định giản đơn. Cái xấu là có người đã nhận ra, và áp dụng nó nhằm thao túng người khác nhằm đạt mục đích không trong sáng. Nhận diện và gọi tên nó, giúp ta bình tĩnh và không đi quá xa trong những quyết định quan trọng.
Phần cuối, tác giả đã đưa ra một quan điểm mình rất đồng tình. Đó là tính ngắn hạn của thông tin trong thời đại mới này. Cuộc sống chúng ta hằng ngày sản sinh ra vô số dữ liệu. Chỉ trong vài chục năm qua, ta đã sống nhanh hơn rất nhiều. Ta vội vã thức dậy, tập thể dục, đi làm, phát triển bản thân, kiếm tiền, lập gia đình, nghỉ dưỡng... Tất cả như guồng quay của chi tiết máy, mà nếu không được lập trình sẵn nhờ các yếu tố suy nghĩ giản đơn, ta dễ quá tải với số lượng dữ liệu lớn mà ta tiếp nhận. Giống như Harari đã nói, trong vòng chưa đầy 200 năm, con người đã phát triển quá nhanh, bộ gen chúng ta vẫn chưa thích nghi kịp. Vậy nên thiết lập những quy tắc máy móc giúp ra quyết định nhanh khiến chúng ta dễ thở hơn trong sự dồn dập của cuộc sống, của dữ liệu. Việc gọi nó là vũ khí, dù dưới dấu nháy mình cho là còn nặng nề thái quá.
Trong ví dụ này, filebeat sẽ đọc các thay đổi từ test.log, transform chúng theo rule được quy định tại filebeat.yml, gửi tới logstash. Logstash sẽ transform một lần nữa (nếu có) và gửi chúng tới elasticsearch. Cuối cùng, kibana sẽ đọc data từ elasticsearch và tạo các chart.
Filebeat là yếu tố đầu tiên ta cần quan tâm. Do nó là yếu tố đầu tiên làm việc với log file. Sử dụng các rule transform cần thiết để parse log theo nhu cầu. Trước khi chuyển log sang logstash, nên in chung chúng ra màn hình trước để quan sát các thay đổi.
logging.level:errorfilebeat.inputs:-type:logpaths:-/var/log/logify/test.logscan_frequency:5sprocessors:-dissect:tokenizer:"%{event_time}%{+event_time}%{log_level}%{component}:allowed=%{allowed}\tugi=%{user}@%{realm}(auth:%{auth})\tip=/%{source_ip}\tcmd=%{command}\tsrc=%{source_path}\tdst=%{dst}\tperm=%{owner}:%{group}:%{permission}\tproto=%{proto}\tcallerContext=%{caller_context}"field:"message"target_prefix:"data"trim_values:"all"trim_chars:"\t"ignore_failure:true-drop_fields:fields:["log.flags"]-drop_fields:fields:["message","agent","ecs","input","parse"]# This output for print on console output.console:pretty:true# Comment above and uncomment bellow to output to logstash# output.logstash:# hosts: ["logstash:5044"]
Sau khi đã parse log thành công như ý muốn, ta chuyển nó đến logstash để transform một lần nữa (nếu có). Từ logstash, ta không chỉ có thể chuyển data tới elasticsearch mà còn nhiều ứng dụng khác như Kafka...
Tới đây, ta chỉ cần run docker compose up --build để chạy tất cả các container. Khi thành công, các bạn truy cập http://localhost:5601 để vào giao diện kibana và cấu hình các dashboard cần thiết.
Convolutional neural networks (CNNs) được đào tạo bằng cách sử dụng các trình stochastic gradient descent (SGD). Gần đây, adaptive moment estimation (Adam) được phổ biến nhờ khả năng giải quyết dying gradient problem của SGD. Tuy nhiên hầu hêt chúng đều chưa khai thác optimization curvature information hiệu quả. AngularGrad là một trong những tiên phong tìm kiếm cách khai thác gradient angular information apart from its magnitude. AngularGrad đề xuất tạo ra một điểm số để kiểm soát step size dựa trên gradient angular information của các lần lặp trước đó.
Trong vòng một thập kỷ qua, các nỗ lực giảm bóng bán dẫn trong các chip đã tăng đáng kể khả năng tính toán của máy tính. Kể từ 2016, sự cải thiện hiệu năng của GPU đã làm tăng số lượng các mô hình deep learning1. Các mô hình DL được phát triển theo kịch bản mà trong đó, artificial neural networks (ANNs) bắt chước các nơ ron trong bộ não con người bằng cách học từ các sự kiện, kích thích mới, đồng thời dựa trên các node được tổ chức và kết nôi với nhau thông qua các trọng số ở mỗi lớp, trong cấu trúc phức tạp đa lớp có thứ bậc.
Tuy nhiên, việc huấn luyện các mô hình này gặp nhiều thách thức. Ngoài yêu cầu khả năng tính toán lớn, thì khi mô hình đi sâu nhiều lớp, lượng dữ liệu đòi hỏi để huấn luyện nó là vô cùng lớn và chúng có xu hướng làm mô hình overfitting.
Về mặt toán học, DNN có thể mô tả bằng một hàm mapping \(f( \cdot ,\theta)\) với việc hamp input \(x \in X\) với output \(y \in Y\) thông qua việc chỉnh sửa tham số \(\theta\) (weights and biases) hoặc hàm loss \(J(\theta)\) tối ưu hoặc giảm chi phí. Việc huấn luyện mô hình là việc xấp xỉ hàm \(f\) khi được cung cấp mạng nơ-ron với độ sâu và trọng số khác nhau. Mặc dù độ sâu của mô hình phụ thuộc vào nhiều yếu tố, thì thông qua việc lặp lại quá trình forward-backward \(J(\theta)\), mô hình sẽ tự động điều chỉnh các giá trị của trọng số để có giá trị tốt nhất.
Nhiều thuật toán được đưa ra nhằm tối ưu hóa với trade-off giữa tốc độ đào tạo và model generalization, Gradient descent là một trong số đó. Nó cung cấp nhiều thuật toán khác nhau, trong đó có stochastic gradient descent (SGD)2 và phiên bản momentum (SGDM)3. Hai phương pháp này khá phổ biến do tính đơn giản của nó mặc dù bị ảnh hưởng rất nhiều bởi phương sai trong tham số của model và vấn đề vanishing gradient. Để khắc phục những hạn chế này, các thuật toán cố gắng tạo ra learning rate, trong đó có Adam4. Tuy nhiên chúng chưa giải quyết được hiện tượng zig-zag, xuất hiện các bản cập nhật gây nhiễu trong quỹ đạo tối ưu hóa do thay sự thay đổi lớn của các gradients. Do đó, đường cong hội tụ thường có các biến động đột ngột, ảnh hưởng tới hiệu suất cuối cùng của huấn luyện.
Nhằm tăng tốc hội tụ và giảm hiện tượng zig-zac trong huấn luyện, bài báo giới thiệu AngularGrad5. Nó sử dụng direction/angle (hướng/góc) của vector gradient. Góc giữa hai lần lặp hướng gadient được sử dụng, do đó các thay đổi trong quỹ đạo được làm mịn đáng kể, hướng tới việc tối ưu hàm chi phí, từ đó giảm tài nguyên tính toán cần thiết để huấn luyện.
Các thách thức của SGD có thể tóm lược vào 3 điểm:
Chọn được learning rate rất khó
Cùng một learning rate được trong một epoch được sử đụng để update toàn bộ parameter.
Nó dễ bị kẹt ở các cực tiểu cục bộ trong quá trình tối ưu hóa
Để khắc phục vấn đề thứ 3 một hệ số được đưa vào để tăng tốc SGD theo hướng liên quan và giảm dao động, đã tạo ra SGDM, với việc thêm một tham số \(\gamma\) trong vector cập nhật từ bước trước đó vào bước hiện tại. Tuy nhiên, cần có adaptive learning rate để giải quyết những vấn đề liên quan đến tốc độ học không đổi. Adam4 optimizer đã được phát triển để cải thiện. Nó lưu trữ giá trị trung bình giảm theo cấp số nhân \(m_t\) và giá trị trung bình giảm theo cấp số nhân bình phương \(v_t\) trong các gradients trước. Tuy nhiên, mặc dù khai thác được thông tin thay đổi của các gradients trong quá khứ để tinh chỉnh, nhưng nó không thể loại bỏ phương sai cao của gradients trong các bước trung gian. AngularGrad giới thiệu một tối ưu mới trong đó có tính đến góc giữa hai gradients liên tiếp trong quá trình tối ưu. Một hệ số góc mới được tính như sau
với \({\lambda_1,\lambda_2} \in {0,1}\) là những hyperparameters. Theo kinh nghiệm, giá trị tốt nhất là \(\lambda_1 = \lambda_2 = \frac{1}{2}\). \(\sphericalangle\) biểu diễn \(\cos \measuredangle\) hoặc \(\tan \measuredangle\) trong khi \(\tanh(x)\) là một hàm phi tuyến tính nén tất cả các giá trị \(x\) giữa \(-1\) và \(1\) theo công thức sau:
và \(A_t\) là góc giữa các bước gradients liên tiếp \(g_t\) và \(g_{t-1}\). Tương tự, góc giữa các gradients bước \((t^-1)^{th}\) được tính toán và gọi là là \(A^{t-1}\). Vậy, \(A_{min} = min(A_{t-1}, A_t)\)
Minh họa đồ họa về thông tin gradient góc. Bộ tối ưu hóa được đề xuất làm mịn gradient path để tăng tốc độ hội tụ của nó bằng cách flattening góc giữa các gradient liên tiếp. AngularGrad optimizer flattens góc giữa hai vector (A) và chuyển nó thành A’ dẫn tới làm mịn đường curve
Hệ số góc \(\phi_t\) được sử dụng để điều chỉnh learning rate. AngularGrad không chỉ đảm bảo rằng các bản cập nhật tham số sẽ nhỏ hơn trong các vùng thay đổi độ dốc thấp và ngược lại, mà còn giảm độ biến thiên cao của các độ dốc vì nó giảm thiểu cosin hướng của hai độ dốc liên tiếp trong mỗi bước. Để làm được việc đó, nó tính toán hai moments \(m_t\) và \(v_t\), hai moments hiệu chỉnh bias \(\widehat{m_t}\) và \(\widehat{v_t}\). Việc cập nhật tham số được thực hiện theo công thức sau
Cần ít thời gian hơn để hội tụ nếu đường đi của đường cong mượt mà hơn thay vì ngoằn ngoèo.
Cần ít epochs hơn để đạt đến giá trị tối thiểu nếu đường cong mượt mà hơn thay vì ngoằn ngoèo
Hệ số góc làm cho các bản cập nhật không thay đổi theo những thay đổi độ cong đột ngột.
Để chứng minh cho công thức, mô hình hóa bài toán tối ưu hóa như một hồi quy trên ba hàm không lồi một chiều, thực hiện tối ưu hóa trên các hàm này bằng cách sử dụng SGDM, Adam, diffGrad, AdaBelief, \(AngularGrad^{\cos}\) và \(AngularGrad^{\tan}\). Ba hàm không lồi được mô tả như sau:
\[
F3(x) = \left\{
\begin{array}{rl}
x^2 & \text{for } x \leq -0.5 \\
0.75 + x & \text{for } -0.5 < x \leq -0.4 \\
-7x/8 & \text{for } -0.4 < x \leq 0 \\
7x/8 & \text{for } 0 < x \leq 0.4 \\
0.75 - x & \text{for } 0.4 < x \leq 0.5 \\
x^2 & \text{for } 0.5 < x \\
\end{array} \right.
\]
với \(x \in (-\infty, +\infty)\) là input.
Hình trên mô tả \(F1\), \(F2\) và \(F3\) theo thứ tự từ trên xuống. Hàm \(F1\) có một giá trị cực tiểu cục bộ trong khi \(F2\) và \(F3\) có hai. Chúng được setting như sau: decay rates của moments bậc nhất, bậc hai \((\beta_1, \beta_2)\) là 0.95 và 0.999; các moments \((m,v)\) được khởi tạo bằng 0; learning rate \(\alpha = 0.1\) và tham số \(\theta\) được khởi tạo bằng \(-1\). Khởi tạo gradient ở bước \(1^{st}, (g_0) = 0\). Chạy vòng lặp 300 lần, regression loss và \(\theta\) được ghi lại để phân tích. Cột đầu tiên mô tả function shapes, trong khi hai cột còn lại mô tả regression loss so với số iterations, số parameters với số iterations tương ứng.
Hình 2c cho thấy Adam và AdaBelief vượt qua giá trị trung bình \(\theta = -0.3\) và cuối cùng hội tụ tại \(\theta = 0.2\). Tuy vậy, chúng không tiến tới zero loss mà hội tụ ở 0.05, trong khi đối với SGDM, diffGrad, \(AngularGrad^{\cos}\) và \(AngularGrad^{\tan}\) đều hội tụ \(loss=0\) (hình 2b). Nguyên nhân được đưa ra là do hiệu ứng zigzagging (nhiễu) của đường cong, hệ số góc \(\phi\) được giới thiệu để giảm nó và tiến tới mức tối thiểu toàn cục. Điều tương tự cũng thấy ở hình 2e và 2f, trong đó không chỉ Adam mà cả SGDM đều không thể hội tự tại loss = 0.
Cuối cùng, trong Hình 2h và 2i, chúng ta quan sát thấy rằng tất cả các trình tối ưu hóa đều hội tụ tại \(loss=0\) có thể tránh bị mắc kẹt trong cực tiểu cục bộ và đạt cực tiểu toàn cục. Tuy nhiên, dao động của \(AngularGrad^{\cos}\) và \(AngularGrad^{\tan}\) nhỏ hơn gần mức tối thiểu toàn cục. Do đó, chúng đạt được sự hội tụ chính xác hơn. Tóm lại, phân tích thực nghiệm cho thấy rõ ràng rằng, trong số các hàm đã đề cập ở trên, \(AngularGrad^{\cos}\) và \(AngularGrad^{\tan}\) không bị kẹt ở cực tiểu cục bộ và hội tụ đến cực tiểu toàn cục nhanh hơn nhiều khi so sánh với các trình tối ưu hóa cạnh tranh khác.
Yann LeCun, Yoshua Bengio, and Geoffrey Hinton. Deep learning. nature, 521(7553):436–444, 2015. ↩↩
Léon Bottou and others. Stochastic gradient learning in neural networks. Proceedings of Neuro-Nımes, 91(8):12, 1991. ↩↩
Ning Qian. On the momentum term in gradient descent learning algorithms. Neural networks, 12(1):145–151, 1999. ↩↩
Diederik P Kingma and Jimmy Ba. Adam: a method for stochastic optimization. arXiv preprint arXiv:1412.6980, 2014. ↩↩↩↩
Swalpa Kumar Roy, Mercedes Eugenia Paoletti, Juan Mario Haut, Shiv Ram Dubey, Purbayan Kar, Antonio Plaza, and Bidyut B Chaudhuri. Angulargrad: a new optimization technique for angular convergence of convolutional neural networks. arXiv preprint arXiv:2105.10190, 2021. ↩↩
Vào lúc 13 giờ 38 phút, ngày 19/7/2024, đồng chí Nguyễn Phú Trọng, Tổng Bí thư Ban Chấp hành Trung ương Đảng Cộng sản Việt Nam, đã từ trần tại Bệnh viện Trung ương Quân đội 108, hưởng thọ 80 tuổi1.
Để tỏ lòng thương tiếc và tưởng nhớ công lao của đồng chí, tôi xin viết bài viết này nhằm ghi lại hành trình của một người Cộng sản chân chính.
Có thể nói, kể từ khi Đại tướng Võ Nguyên Giáp từ trần, Đảng, Nhà nước và Nhân dân Việt Nam mới tổ chức một lễ tang tưởng niệm lãnh đạo từ trần lớn như vậy.
Ngay từ lúc chưa phát tang, rất nhiều người dân và các tổ chức đã để hình đại diện tối màu, đăng những dòng trạng thái hay dừng các hoạt động mang tính giải trí để tưởng niệm cố Tổng Bí thư9. Nhiều cơ quan, tổ chức mở sổ tang điện tử để người dân ghi lời tưởng niệm 10
Nước Cộng hòa Dân chủ Nhân dân Lào11 và Cộng hòa Cuba12 đã tuyên bố Quốc tang tưởng niệm đồng chí Nguyễn Phú Trọng. Nhiều lãnh đạo, bạn bè quốc tế đã tham dự lễ tang, lễ truy điệu và gửi điện chia buồn.
Bộ trưởng Ngoại giao các nước ASEAN và Tổng Thư ký ASEAN tại hội nghị Ủy ban Hiệp ước Khu vực Đông Nam Á không có vũ khí hạt nhân (SEANWFZ) và đối thoại với Ủy ban liên Chính phủ ASEAN về nhân quyền (AICHR)16
Tổng Bí thư, Chủ tịch Trung Quốc Tập Cận Bình đến Đại sứ quán Việt Nam17
Chủ tịch Đảng Nhân dân Campuchia Hun Sen, Thủ tướng Campuchia Hun Manet, Chủ tịch Quốc hội Campuchia Khuon Sudary
Đại tướng Raúl Castro Ruz và Bí thư thứ nhất Ban Chấp hành Trung ương Đảng Cộng sản Cuba, Chủ tịch nước Cộng hòa Cuba Miguel Díaz Canel-Bermúdez
Tổng thống Liên bang Nga Vladimir Putin, Chủ tịch Hội đồng liên bang Quốc hội Liên bang Nga (Thượng viện Nga) Valentina Matvienko, Chủ tịch Duma Quốc gia Quốc hội Liên bang Nga (Hạ viện Nga) Vyacheslav Volodin
Quốc vương Brunei Darussalam Haji Hassanal Bolkiah
Tổng thống Cộng hòa Singapore Tharman Shanmugaratnam, Thủ tướng Cộng hòa Singapore Lawrence Wong
Nhà Vua Thái Lan Maha Vajiralongkorn
Chủ tịch Đảng Nhân dân Mông Cổ cầm quyền, Thủ tướng Mông Cổ, Luvsannamsrain Oyun-Erdene
Nhà vua Liên hiệp Vương quốc Anh và Bắc Ireland Charles III
Chủ tịch Đảng Xã hội chủ nghĩa Thống nhất Venezuela, Tổng thống Cộng hòa Bolivar Venezuela Nicolas Maduro, Phó Chủ tịch Đảng Xã hội chủ nghĩa Thống nhất Venezuela Diosdado Cabello
Quốc vương Saudi Arabia Salman bin Abdulaziz Al Saud và Hoàng Thái tử, Thủ tướng Vương quốc Saudi Arabia Mohammed bin Salman bin Abdulaziz Al Saud
Tổng thống Cộng hòa Belarus Aleksandr Lukashenko, Chủ tịch Viện Đại biểu Quốc hội Cộng hòa Belarus Igor Sergeenko
Chủ tịch Hội đồng Hồi giáo Cộng hòa Hồi giáo Iran Mohammad Bagher Ghalibaf
Tổng thống Cộng hòa Kazakhstan Kassym-Jomart Tokayev
Tổng thống Cộng hòa Thống nhất Tanzania, Chủ tịch Đảng Cách mạng Tanzania cầm quyền Samia Suhulu Hassan
Tổng thống Cộng hòa Burundi Evariste Ndayishimiye
Tổng Thư ký ASEAN Kao Kim Hourn
Chủ tịch Đảng Quốc đại Ấn Độ Mallikarjun Kharge
Chủ tịch Đảng nước Nga Thống nhất Dmitry Medvedev
Chủ tịch Đảng Cộng sản Liên bang Nga Genadi Ziuganov
Tổng Bí thư Đảng Cộng sản Ấn Độ Doraisamy Raja
Tổng Bí thư Đảng Khối Ấn Độ tiến lên D. Devarajan
Chủ tịch hội đồng Ban Chấp hành Trung ương Đảng Cộng sản Nhật Bản Shii Kazuo
Trưởng Ban Đối ngoại Đảng Cộng sản Tây Ban Nha Manu Pineda
Trưởng Ban Đối ngoại Đảng Cộng sản các dân tộc Tây Ban Nha Victor Lucas
Tổng Bí thư Đảng Cộng sản Ireland James Corcoran
Đảng Cộng sản Nam Phi đã ra tuyên bố chia buồn
Tổng thống Nhà nước Palestine, Chủ tịch Ban Chấp hành Trung ương Tổ chức Giải phóng Palestine Mahmoud Abbas
Tổng Bí thư Đảng Cộng sản Thụy Sĩ Massimiliano Ay
Trung ương Đảng Cộng sản Uruguay
Ủy ban Chính trị, Đảng Cộng sản Bolivia
Bí thư toàn quốc Đảng Cộng sản Pháp Fabien Roussel
Tổng thống Cộng hòa Italia Sergio Mattarella
Tổng thống Cộng hòa Pháp Emmanuel Macron và Chủ tịch Thượng viện Cộng hòa Pháp Gérard Larcher
Tổng thống Cộng hòa Algeria Dân chủ và Nhân dân Abdelmadjid Tebboune
Tổng thống Cộng hòa Liên bang Brazil Lula Da Silva
Quốc vương Qatar Sheikh Tamim bin Hamad Al-Thani và Phó Quốc vương Sheikh Abdullah bin Hamad Al-Thani, Thủ tướng kiêm Bộ trưởng Ngoại giao Nhà nước Qatar Sheikh Mohammed bin Abdulrahman bin Jassim Al-Thani
Thủ tướng Cộng hòa Dân chủ Liên bang Nepal, Chủ tịch Ðảng Cộng sản Nepal-Marxist Leninist Thống nhất K.P. Sharma Oli
Tổng thống Cộng hòa Liên bang Nigeria Bola Ahmed Tinubu
Tổng thống Cộng hòa Thổ Nhĩ Kỳ Recep Tayyip Erdogan
Tổng thống Cộng hòa Turkmenistan Serdar Berdimuhamedov
Tổng thống Cộng hòa Uzbekistan Shavkat Mirziyoyev
Tổng thống Cộng hòa xã hội chủ nghĩa dân chủ Sri Lanka Ranil Wickremesinghe, Thủ tướng Cộng hòa xã hội chủ nghĩa dân chủ Sri Lanka Dinesh Gunawardena
Tổng Bí thư Ðảng Cộng sản Sri Lanka G.Weerasinghe
Tổng Bí thư Ðảng Mặt trận Giải phóng Nhân dân Sri Lanka Tilvin Silva
Tổng thống Cộng hòa Italia Sergio Mattarella
Quyền Chủ tịch Ðảng Sức mạnh Quốc dân Hàn Quốc Hwang Woo Yea
Chủ tịch Ðảng Cộng sản Ðức, Hội đồng Hòa bình Thế giới gửi điện/thư chia buồn đến Ban Chấp hành Trung ương Ðảng Cộng sản Việt Nam.
Ðảng Cộng sản Australia, Lãnh đạo toàn quốc Ðảng Cộng sản Canada
Liên minh Nhân dân Galicia-Tây Ban Nha (UPG), Tổng Thư ký Ðảng CNDD-FDD cầm quyền của Burundi Ndikuriyo Révérien, Chủ tịch Ðảng Cộng sản Chile, Bộ trưởng Ngoại giao Mexico, Ðảng Liên minh tiến bộ Nigeria cầm quyền
Liên đoàn thanh niên dân chủ thế giới, Ban Giám đốc Liên hoan thanh niên thế giới, Liên đoàn Thanh niên Sri Lanka, Ðội cận vệ trẻ nước Nga thống nhất
Bộ trưởng Ngoại giao Malaysia Dato’ Seri Utama Haji Mohamad Bin Haji Hasan
Chủ tịch Hội Khmer-Việt Nam tại Campuchia Sim Chy
Quốc vương Campuchia Norodom Sihamoni, Thủ tướng Vương quốc Thái Lan Srettha Thavisin
Tổng thống Cộng hòa Ấn Độ Droupadi Murmu và Thủ tướng Cộng hòa Ấn Độ Narendra Modi
Tổng Bí thư Đảng Lao động Triều Tiên Kim Jong Un
Tổng thống Đại Hàn dân quốc Yoon Suk Yeol
Tổng thống Hợp chúng quốc Hoa Kỳ Joe Biden
Thủ tướng Nhật Bản, Chủ tịch Đảng Dân chủ tự do cầm quyền Kishida Fumio
Toàn quyền Australia Sam Mostyn, Chủ tịch Thượng viện Australia Sue Lines và Chủ tịch Hạ viện Australia Milton Dick
Tổng thư ký Liên hợp quốc Antonio Guterres và Chủ tịch Đại hội đồng Liên hợp quốc Dennis Francis
Với phần lớn thời gian công tác ở Tạp chí Cộng sản và hơn gần 20 năm (từ 2006 - 2024) làm lãnh đạo Quốc Hội và Tổng Bí thư, dấu ấn lý luận in rõ nét trong các tác phẩm của đồng chí Nguyễn Phú Trọng, từ đó định hướng những chính sách lớn của Đảng và Nhà nước Việt Nam trong 20 năm qua, và sẽ còn sâu đậm hơn nữa trong những năm tới.
Với tư cách là Chủ tịch Hội đồng Lý luận Trung ương nhiệm kỳ thứ hai từ 2001 đến 2006, người thay mặt Bộ Chính trị phụ trách công tác lý luận của Đảng trong giai đoạn đến năm 2011, sau đó là Tổng Bí thư Ban Chấp hành Trung ương tới nay, đồng chí Nguyễn Phú Trọng đóng vai trò chủ chốt, trực tiếp trong các đổi mới ở Cương lĩnh xây dựng đất nước trong thời kỳ quá độ lên chủ nghĩa xã hội (Bổ sung, phát triển năm 2011); luận giải về đặc trưng con đường đi lên Chủ nghĩa Xã hội ở Việt Nam và sự nghiệp lâu dài, khó khăn, phức tạp của nó.
Loạt bài của Báo Nhân Dân19 dẫn lại nhiều tác phẩm của đồng chí Nguyễn Phú Trọng, qua đó luận giải tại sao lại là Chủ nghĩa Xã hội mà không phải Chủ nghĩa Tư bản, chỉ ra một số khuyết điểm cố hữu của chủ nghĩa Tư bản như: sự bình đẳng về quyền nhưng không bình đẳng về khả năng thực hiện những quyền đó; đằng sau hệ thống đa đảng trên thực tế vẫn là sự chuyên chế của các tập đoàn tư bản; một bộ phận rất nhỏ, thậm chí chỉ là 1% dân số, nhưng lại chiếm giữ phần lớn của cải, tư liệu sản xuất chủ yếu, kiểm soát tới 3/4 nguồn tài chính, tri thức, hầu hết các phương tiện thông tin đại chúng chủ yếu và do đó chi phối toàn xã hội. Chỉ ra vai trò của Đảng, các cơ quan Quốc Hội, Nhà nước, các tổ chức Chính trị - Xã hội. Củng cố niềm tin của cán bộ, đảng viên và nhân dân vào sự nghiệp xây dựng chủ nghĩa xã hội ở Việt Nam.
Bàn về vai trò trong công tác lý luận của Đảng, đồng chí Nguyễn Trọng Nghĩa20 chỉ rõ điểm nổi bật trong các bài viết của Tổng Bí thư Nguyễn Phú Trọng là mang tầm chiến lược, nhìn xa trông rộng, nhưng vô cùng gần gũi, dễ hiểu, dễ nhớ, mang tính chiến đấu cao và có sức lan tỏa, tác động, cảm hóa sâu sắc. Trong khi đó, đồng chí Tô Lâm21 cho rằng dưới sự lãnh đạo của đồng chí Nguyễn Phú Trọng, lần đầu tiên Đảng ta ban hành Nghị quyết về tiếp tục xây dựng và hoàn thiện Nhà nước pháp quyền xã hội chủ nghĩa Việt Nam trong giai đoạn mới. Hoạt động giám sát của Quốc hội được tăng cường, có nhiều đổi mới về cách thức tiến hành, nhất là chất vấn và giám sát chuyên đề. Việc quyết định các vấn đề quan trọng của đất nước ngày càng toàn diện, phù hợp, đáp ứng đúng yêu cầu của thực tiễn vì lợi ích của quốc gia, phù hợp với ý chí và nguyện vọng của nhân dân. Vị thế, vai trò và uy tín của đất nước ta nói chung và Quốc hội nói riêng ngày càng được nâng cao trên trường quốc tế22.
