Computerwissenschaften - Verteiltes, paralleles und Cluster-Computing

Erforschung von Machine-Learning-Techniken für eine effiziente VLSI-Designpartitionierung.

Einführung von heuristischen Algorithmen zur Verbesserung der Effizienz der Jobplanung bei Fliessfertigungsproblemen.

Das CARIn-Framework passt Deep-Learning-Modelle für die beste Leistung auf mobilen Geräten an.

RoLoRA verbessert federiertes Lernen mit robustem Feintuning und effizienter Kommunikation.

Ein neuer Ansatz für serverloses Rechnen zielt darauf ab, die Kohlenstoffemissionen effektiv zu senken.

Lerne, wie die Modellkompression die Effizienz von grossen Sprachmodellen verbessert.

Eine umfassende Analyse der Effizienz und Genauigkeit eines neuen Algorithmus im Umgang mit Daten.

Die Kombination von Quanten- und klassischer Informatik zur Förderung der wissenschaftlichen Forschung.

Eine neue Methode verbessert die Aufgabenplanung auf Edge-Servern mit Hilfe von heuristischen Algorithmen und Evolutionscomputing.

GreenWhisk konzentriert sich darauf, die Kohlenstoffemissionen im Cloud-Computing zu reduzieren.

DiOMP kombiniert PGAS und OpenMP für effizientes Programmieren in verteilten Systemen.

Neuer Ansatz nutzt föderiertes Lernen, um mobile Aufgabenverlagerungsentscheidungen zu optimieren.

Neue Kompressionstechniken beschleunigen das Training für grosse Sprachmodelle und behalten gleichzeitig die Genauigkeit bei.

Neue Methoden verbessern die Effizienz von maschinellem Lernen in mobilen Umgebungen.

Energieverbrauch in Supercomputern analysieren für bessere Effizienz.

KI-gesteuerte Lastverteilung verbessert die Cloud-Leistung und Effizienz.

Ein neuer Ansatz für flexible mobile KI mit On-Device-Sprachmodellen.

Wir stellen FedFT vor, eine Methode zur Verbesserung der Kommunikation im föderierten Lernen.

In diesem Artikel wird untersucht, wie die Integration von Coarray und CUDA Fortran die Rechenleistung verbessert.

Eine spannende Aufgabe zur DNA-Sequenzanpassung hilft beim Lernen von parallel Programmierung.

Erfahre, wie die Modell-Eingangsverifizierung die Simulationsgenauigkeit in verschiedenen Bereichen sichert.

Eine neue Methode verbessert das kollaborative Lernen, indem sie die Auswahl der Kunden und das personalisierte Modelltraining optimiert.

Neue Protokolle für sicheren Konsens in dezentralen Netzwerken mit Quanten-Technologie erkunden.

Eine neue Bibliothek verbessert MPPI-Algorithmen für Robotikanwendungen.

Eine neue Methode zum Trainieren von CNNs direkt auf mobilen und Edge-Geräten.

Optimierung von digitalen Zwillingen durch reduzierte Modellordnung und Hochleistungsrechnen.

Eine neue Methode verbessert den Datenschutz und sorgt gleichzeitig für eine starke Modellleistung im föderierten Lernen.

Inf-MLLM verbessert die Effizienz im Umgang mit komplexen Datenströmen bei begrenzten Ressourcen.

Innovative synthetische Datenmethode verbessert die Genauigkeit von medizinischen Bildern und schützt gleichzeitig die Privatsphäre der Patienten.

Neue Strategien für die Zusammenarbeit von Agenten stärken das Vertrauen und die Effizienz in den Antworten von KI.

Eine neue Methode verbessert die Zuverlässigkeit und Effizienz von Blockchain in dezentralen Netzwerken.

FedD2P bietet eine neue Möglichkeit für IoT, Modelle ohne grosse Ressourcen zu trainieren.

Die Analyse der Leistung von HPC-Rechenzentren mit ML- und traditionellen Workloads.

Ein neuer Ansatz für föderiertes Lernen, der die Genauigkeit und Ressourcennutzung verbessert.

Neue Algorithmen verbessern die Berechnung modifizierter Bessel-Funktionen für verschiedene Anwendungen.

Koordinationsfreie kollaborative Replikation macht Gruppenarbeit einfacher, ohne ständig Nachrichten zu schicken.

Eine Methode, um grosse Netzwerke im maschinellen Lernen besser zu handhaben.

Erforschen des Wandels hin zu GPU-zentrierten Methoden für bessere Rechenleistung.

Federated Learning geht die Herausforderungen der Datensicherheit in sensiblen Bereichen an.

Ein neues Framework verbessert die Aufgabenplanung und -ausführung im Edge-Computing.