Informática - Computación distribuida, paralela y en clústeres

Ajuste dinámico de estructuras de datos para un rendimiento eficiente bajo cargas de trabajo variables.

Descubre cómo los algoritmos distribuidos agilizan la asignación de recursos entre agentes.

FedMef mejora el aprendizaje federado para dispositivos de bajos recursos a través de técnicas de poda innovadoras.

Explorando métodos para lograr una finalización de transacciones más rápida en la red de Ethereum.

Un nuevo método que usa transformadas de Fourier para mejorar la estimación de momentos de datos.

Nuevos métodos mejoran el algoritmo de Kaczmarz para resolver sistemas lineales densos.

Un nuevo marco para entrenar modelos sin compartir datos sensibles.

Combinando RADICAL-Pilot y Cylon para una gestión de datos eficiente en el deep learning.

Union simplifica la gestión de cargas de trabajo híbridas en entornos de computación de alto rendimiento.

Este método mejora las decisiones de enrutamiento en redes Dragonfly usando aprendizaje automático.

MRSch mejora la programación de trabajos de computación de alto rendimiento al optimizar el uso de recursos.

Un nuevo enfoque utiliza árboles de decisión para una programación de trabajos más clara en computación de alto rendimiento.

Los métodos de enrutamiento inteligente mejoran el rendimiento en redes de supercomputadoras Dragonfly.

Una mirada a cómo el DRM mejora la asignación de recursos en la computación.

Un nuevo protocolo mejora la eficiencia de entrenamiento de las Redes Neuronales de Grafos usando CPU y GPU.

Explora el cambio de CPUs a GPUs en el modelado del hielo marino.

Examinando contratos inteligentes, su seguridad y el papel de la gestión de la confianza.

Un nuevo método mejora la privacidad en el aprendizaje federado en línea mientras se adapta a datos cambiantes.

Raptor mejora la programación de funciones sin servidor para aplicaciones más rápidas y confiables.

Data Mesh transforma la gestión de datos al fomentar la propiedad y colaboración del equipo.

Aprende sobre métodos para identificar ciclos pares en redes grandes y su importancia.

Estrategias para reducir la latencia de inicio en frío en aplicaciones serverless.

Una visión general del algoritmo Raft para consenso en sistemas distribuidos.

Explorando la intersección de blockchain y aprendizaje federado para la privacidad y seguridad de datos.

THEMIS mejora la equidad y eficiencia en la programación de recursos FPGA para múltiples inquilinos.

FedD2S mejora el Aprendizaje Federado al personalizar modelos mientras se preserva la privacidad de los datos.

Un marco para entrenar modelos de aprendizaje automático mientras se protege la privacidad.

Un nuevo marco busca mejorar la interoperabilidad y la eficiencia de DSL en HPC.

Un sistema que optimiza cálculos para matrices dispersas usando almacenamiento en bloques.

Este documento habla sobre el potencial de DAOS para mejorar la gestión de datos de predicción del tiempo.

La investigación se centra en optimizar transformadores para dispositivos pequeños con recursos limitados.

Aprende cómo los árboles de historial mejoran las interacciones de los agentes en redes dinámicas.

MOPAR mejora la eficiencia y la rentabilidad de la inferencia de aprendizaje profundo en plataformas serverless.

Los datos sintéticos permiten a las empresas compartir información sin comprometer datos sensibles.

Un estudio sobre cómo mejorar el rendimiento de GPU para cálculos de plantillas en aplicaciones científicas.

Aprende cómo el sharding mejora el rendimiento y la eficiencia de las bases de datos.

Un nuevo algoritmo mejora el rendimiento y la fiabilidad en la replicación de máquinas de estados a través de redes de área amplia.

Un enfoque fresco para mejorar el rendimiento del software a través de métodos de ajuste dinámico.

Smart HPA mejora la eficiencia de escalado de microservicios en entornos con recursos limitados.

Nuevo curso combina computación cuántica y clásica para estar listos para el futuro.