Informática - Computación distribuida, paralela y en clústeres

Mejorando la eficiencia de comunicación en aplicaciones complejas de computación paralela.

DVFO mejora la eficiencia energética y la velocidad de procesamiento para dispositivos edge en IoT.

FedMSA mejora el aprendizaje federado al mejorar la comunicación y la eficiencia en el entrenamiento descentralizado.

El marco GPT-FL mejora el aprendizaje federado usando datos sintéticos.

Una mirada a Narwhal y Bullshark para un consenso más rápido y confiable.

Un nuevo enfoque predice el rendimiento de compresión con pérdida para conjuntos de datos científicos, mejorando la gestión de datos.

Los sistemas de memoria desagregada optimizan el uso de recursos en entornos de computación de alto rendimiento.

Explorando cómo los agentes pueden mejorar la toma de decisiones a través de la colaboración.

Explorando nuevas formas de mejorar la eficiencia del aprendizaje descentralizado mientras se garantiza la privacidad de los datos.

Una plataforma potente diseñada para procesar datos de manera fácil y rápida.

JOSS optimiza el uso de energía en aplicaciones basadas en tareas considerando la CPU y la memoria juntas.

Este documento presenta una solución sólida para la comunicación confiable en sistemas distribuidos.

Métodos de particionamiento innovadores mejoran la eficiencia de los solucionadores SMT para problemas complejos.

Un enfoque novedoso reduce el consumo de energía al compartir imágenes mediante generación local.

FedSMOO mejora el aprendizaje federado al abordar problemas de diversidad de datos y comunicación.

Nuevos algoritmos mejoran el análisis de conjuntos de datos complejos y de alta dimensión.

Investigación sobre algoritmos para encontrar los caminos más cortos en modelos de grafos distribuidos.

Un estudio de caso sobre pruebas funcionales y de carga para sistemas de microservicios.

Análisis de las interacciones de los agentes y los tiempos de reunión en paseos aleatorios no atómicos.

Un modelo para mejores predicciones de operaciones de I/O en entornos Linux.

Los Objetos Digitales FAIR buscan mejorar la gestión y el intercambio de datos de investigación.

Una mirada a la consistencia causal en sistemas de datos distribuidos usando codificación de borrado.

Una guía para mejorar el rendimiento de la GPU a través de permutaciones de arreglos eficientes.

Presentando un método confiable para manejar árboles dinámicos sin aleatoriedad.

Aprende cómo RAID mejora la fiabilidad y el rendimiento de los sistemas de almacenamiento.

DistSim analiza estrategias de entrenamiento híbridas, mejorando la eficiencia y reduciendo costos.

Nuevos algoritmos mejoran el rendimiento del modelo en el aprendizaje federado a través de un efectivo agrupamiento de clientes.

Un nuevo enfoque para mejorar la visibilidad entre robots móviles autónomos.

Nuevos métodos mejoran el aprendizaje federado personalizado mientras preservan la privacidad de los datos.

Un nuevo estándar para combinar tipos de datos mientras se prioriza la privacidad del usuario.

MementoHash ofrece una distribución de datos eficiente entre nodos en entornos de nube.

Fedstellar permite el entrenamiento seguro y eficiente de modelos de aprendizaje automático entre dispositivos.

Un nuevo marco mejora el aprendizaje a partir de datos limitados en entornos federados.

ZeRO++ mejora la eficiencia de comunicación en el entrenamiento de grandes modelos de aprendizaje profundo.

Descubre cómo Hydroflow y los e-graphs mejoran la eficiencia en el procesamiento de datos.

Nuevos métodos para la multiplicación de matrices mejoran la velocidad y la eficiencia energética.

Nuevas técnicas mejoran la velocidad y eficiencia de los cálculos encriptados usando GPUs.

Explorando nuevos métodos para multiplicar matrices de manera eficiente en la computación.

RQM mejora la privacidad en el aprendizaje federado sin perder eficiencia del modelo.

Nuevo método permite un acceso más fácil a la GPU para software antiguo.