Informatique - Informatique distribuée, parallèle et en grappes

Ce cadre améliore les tests de réseau à grande échelle grâce à des simulations et analyses efficaces.

Cannikin améliore l'efficacité de l'entraînement DNN dans des environnements machine variés.

Une étude sur la localisation des points nuisibles en utilisant des agents mobiles.

Une nouvelle méthode améliore la confidentialité des données et l'efficacité de l'entraînement dans l'apprentissage décentralisé.

De nouvelles stratégies améliorent la gestion des consommateurs pour un meilleur traitement des messages.

Flashback s'occupe de l'oubli dans l'apprentissage fédéré pour améliorer l'entraînement et la performance des modèles.

Une nouvelle méthode améliore l'efficacité de la communication dans l'apprentissage fédéré.

Une nouvelle approche des négociations cloud améliore l'allocation des ressources et réduit les coûts.

Une nouvelle méthode améliore la compréhension de la diversité des cellules cancéreuses pour de meilleurs traitements.

Un aperçu des systèmes distribués, de la synchronisation et des méthodes de sécurité.

Une nouvelle méthode améliore l'apprentissage fédéré en s'attaquant aux différences entre les clients.

Une nouvelle méthode améliore la précision dans l'évaluation de la perte de performance des systèmes photovoltaïques au fil du temps.

De nouvelles méthodes de simulation améliorent la conception et l'efficacité des éoliennes.

Une nouvelle technique améliore la communication entre les jobs DNN sur des réseaux partagés.

Une méthode pour que les agents optimisent des solutions sans coordination centrale.

Un aperçu des problèmes d'accord de stabilisation en informatique distribuée.

De nouveaux algorithmes améliorent les solutions de l'ensemble indépendant de poids maximum dans les graphes clairsemés.

Combiner l'apprentissage fédéré avec des techniques de confidentialité protège les données sensibles tout en entraînant des modèles.

Apprends comment les systèmes technologiques communiquent et traitent les infos de manière efficace.

Apprends comment les nouvelles méthodes d'élagage améliorent l'efficacité des réseaux de neurones profonds sans sacrifier la précision.

De nouveaux algorithmes améliorent la détection de communautés en s'attaquant à la connectivité dans les réseaux.

Un nouvel algorithme améliore l’efficacité du déchargement des tâches dans les environnements de calcul en périphérie mobile.

Étude de comment les agents arrivent à un accord avec une communication limitée.

Seer optimise la perf des GPU pour des charges de travail irrégulières avec des méthodes de prédiction intelligentes.

Stratégies pour une répartition efficace des tâches entre les ordinateurs d'un réseau.

Une nouvelle méthode améliore le consensus dans les systèmes distribués malgré le bruit et les pannes.

Examine comment les types de mémoire impactent la communication dans les systèmes distribués.

Les solutions de surveillance automatisées améliorent l'efficacité et la fiabilité des services cloud.

La recherche examine les améliorations des FPGA pour une meilleure efficacité dans l'analyse du risque de marché.

Une nouvelle méthode pour trouver des max-plexes de manière efficace dans de grands ensembles de données.

Apprends comment plusieurs ordinateurs bossent ensemble pour résoudre des problèmes complexes de manière efficace.

Solutions de comptage efficaces pour des applications modernes en utilisant des méthodes approximatives.

Un aperçu de l'approximation des triangles dans les graphes au sein des réseaux distribués.

Un aperçu de la linéarisation forte et son importance dans la programmation concurrente.

Évaluation des méthodes de vecteurs d'état et de réseaux de tenseurs pour simuler des systèmes quantiques.

De nouvelles méthodes améliorent la vie privée et la précision dans les environnements informatiques sécurisés.

Des recherches montrent comment limiter la puissance des GPU peut réduire la consommation d'énergie et les températures.

Un nouveau cadre améliore la performance des GNN en utilisant des systèmes de traitement en mémoire.

FedUV améliore les performances des modèles en apprentissage fédéré sur des données non-IID.

Une méthode double pour entraîner et utiliser les modèles de langage de manière efficace.