University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）

tLoRA: Efficient Multi-LoRA Training with Elastic Shared Super-Models

tLoRA: 一种高效的多LoRA训练方法与弹性共享超模型

Kevin Li, Dibyadeep Saha, Avni Kanodia, Fan Lai

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Siebel School of Computing and Data Science（计算与数据科学学院） 纠错

AI总结 tLoRA通过弹性共享超模型实现多LoRA任务高效训练，提升吞吐量和GPU利用率

A Unified Theory of Random Projection for Influence Functions

随机投影对影响函数的统一理论

Pingbang Hu, Yuzheng Hu, Jiaqi W. Ma, Han Zhao

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出了一种统一理论，探讨随机投影在保持影响函数时的条件，并提供了选择草图大小的指导。

Comments 46 pages, 4 figures

Watermarking Discrete Diffusion Language Models

对离散扩散语言模型进行水印标记

Avi Bagchi, Akhil Bhimaraju, Moulik Choraria, Daniel Alabi, Lav R. Varshney

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stony Brook University（石溪大学） 纠错

AI总结 本文提出了一种针对离散扩散语言模型的水印标记方法，通过保持分布的Gumbel-max采样技巧和序列位置播种随机性，实现了可靠检测和无失真水印。

Minmax Trend Filtering: Generalizations of Total Variation Denoising via a Local Minmax/Maxmin Formula

Sabyasachi Chatterjee

机构 * Department of Statistics, University of Illinois at Urbana Champaign（统计系，伊利诺伊大学厄巴纳-香槟分校） 纠错