Computerwissenschaften - Verteiltes, paralleles und Cluster-Computing

Ein Rahmenwerk zum Management von Energie bei gleichzeitiger Leistungsoptimierung in serverlosen Anwendungen.

Ein neues Programmiermodell soll die Integration von ML in wissenschaftliche Bereiche erleichtern.

StraightLine optimiert das Ressourcenmanagement für Machine-Learning-Anwendungen in verschiedenen Umgebungen.

Forschung zu Algorithmen für das k-Zentren-Problem in verteilten Netzwerkeinstellungen.

Lernt, wie man den Datenaustausch zwischen Prozessoren durch effektive Broadcast-Zeitpläne optimiert.

Erforschen, wie Blockchain die Sicherheit von grossen Sprachmodellen verbessern kann.

Neue Modellierungstechniken verbessern Raketentriebwerksysteme durch effiziente Datenanalyse.

Ein neuer Ansatz zur Berechnung von PageRank-Werten in sich verändernden Netzwerken.

Dieses Framework verbessert den Zugriff auf AI-Modelle und die Effizienz durch hybrides Sharding.

Ein Vorschlag zur Verbesserung der Effizienz von Hyperledger Fabric beim Umgang mit konfliktären Transaktionen.

Neue Methode verbessert die Effizienz und Genauigkeit des Trainings von Graph Neural Networks.

Ein neues Framework geht das Problem der Kaltstarts in serverless Computing mit gemeinsamen Warm-Pools an.

Ein Framework verbessert das Energiemanagement in grossen Sprachmodellen, ohne die Leistung zu beeinträchtigen.

Effektives Ressourcenmonitoring verbessert die Datenverarbeitung in wissenschaftlichen Forschungsabläufen.

Ein genauerer Blick auf den QAOA und seinen verteilten Ansatz in der Quantencomputertechnik.

Techniken zur Reduzierung des Energieverbrauchs in leistungsstarken Computersystemen, ohne die Leistung einzubüssen.

Neue Methode verbessert den Datenschutz für Vision-Transformers im maschinellen Lernen.

Ein neuer Ansatz für Checkpointing in MPI verbessert die Effizienz und erleichtert die Nutzung.

Ein neuer Ansatz für föderiertes Lernen, der Privatsphäre und Effizienz verbessert.

Das throttLL'eM-Framework senkt den Energieverbrauch und sorgt gleichzeitig für schnelle Reaktionen.

Tapis verbessert die Jobplanung, indem es Wartezeiten vorhersagt und so schnellere Ergebnisse liefert.

Ein Blick auf den Einfluss von DRL auf die Arbeitsablaufsplanung in der Cloud- und Edge-Computing.

Lerne, wie Deep Reinforcement Learning die Cloud-Computing-Kosten senken kann.

Eine neue Methode verbessert den Schutz gegen Angriffe in föderierten Lernsystemen.

Neue Methoden verbessern die Geschwindigkeit und Effizienz von atomaren Snapshots in Nachrichtenaustauschsystemen.

FedLog verbessert das föderierte Lernen mit effizienter Kommunikation und Datenschutz.

Ein neues System verbessert die Effizienz beim Trainieren von multimodalen grossen Sprachmodellen.

DaVE bietet Beispiele, um komplexe Daten effektiv zu veranschaulichen.

Techniken erkunden, um die Leistung von LLMs während der Inferenz zu verbessern.

Ein neues Protokoll verbessert die Effizienz und Zufälligkeit beim Peer-Sampling für P2P-Netzwerke.

Ein Framework, das Blockchain und föderiertes Meta-Learning für benutzerzentriertes Modelltraining kombiniert.

Ein neues Framework verbessert die Datenverarbeitung in Edge-Geräten.

Neue Algorithmen verbessern die Konturbaum-Analyse in grossen Datensätzen in verschiedenen wissenschaftlichen Bereichen.

Ein neuer Compiler verbessert die Kommunikation und Aufgabenverwaltung von KI-Chips.

Entdecke, wie memristive Technologie die Effizienz der Matrizeninversion revolutionieren kann.

Forscher verbessern Simulationen von gehirnähnlichen Systemen zur Lösung komplexer Probleme.

FADAS verbessert das föderierte Lernen, indem es asynchrone Client-Updates ermöglicht und dabei die Datensicherheit wahrt.

Neues Framework verbessert das Training von multimodalen Sprachmodellen für bessere Leistung.

Ansätze zur Verwaltung von Virtual Machine-Färbungen in dynamischen Rechenumgebungen.

Ein neuer Ansatz mit graphneuralen Netzwerken verbessert die Methoden zur Graphfärbung.