Princeton University（普林斯顿大学）

Fail Fast, Win Big: Rethinking the Drafting Strategy in Speculative Decoding via Diffusion LLMs

快速失败，大获成功：通过扩散大语言模型重新思考推测解码的起草策略

Rui Pan, Zhuofu Chen, Hongyi Liu, Arvind Krishnamurthy, Ravi Netravali

机构 * Princeton University（普林斯顿大学） ； University of Washington（华盛顿大学） ； Google（谷歌） ； Rice University（里士满大学） 纠错

AI总结 FailFast通过动态调整推测长度，利用扩散大语言模型的并行解码优势，实现快速失败和大获成功，提升推测解码效率。

Adversary-Aware Private Inference over Wireless Channels

面向无线信道的对抗感知隐私推理

Mohamed Seif, Malcolm Egan, Andrea J. Goldsmith, H. Vincent Poor

机构 * Princeton University（普林斯顿大学） ； Inria, France（法国国家信息与自动化技术研究所） ； Stony Brook University（石溪大学） 纠错

AI总结 本文提出了一种面向无线信道的对抗感知隐私保护框架，通过在传输前对特征进行变换来减少隐私泄露风险。

NoWag: A Unified Framework for Shape Preserving Compression of Large Language Models

NoWag：一种用于大型语言模型形状保持压缩的统一框架

Lawrence Liu, Inesh Chakrabarti, Yixiao Li, Mengdi Wang, Tuo Zhao, Lin F. Yang

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Princeton University（普林斯顿大学） 纠错

AI总结 NoWag提出了一种统一的单次形状保持压缩框架，通过向量量化和剪枝技术有效压缩大型语言模型，展示了其在性能上的优势。

Universal Sequence Preconditioning

通用序列预条件化

Annie Marsden, Elad Hazan

机构 * Google Deepmind（谷歌DeepMind） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出了一种通用序列预条件化方法，通过卷积正交多项式系数来减少预测算法的遗憾，适用于多种动态系统和信号类型。

Comments 35 pages, 3 tables, 5 figures