Informatique - Informatique distribuée, parallèle et en grappes

Une nouvelle méthode améliore les prévisions de ressources pour les environnements cloud, garantissant des opérations efficaces.

Un nouveau système améliore l'entraînement des grands modèles de langage avec de longues séquences.

Le traçage automatique simplifie la gestion des tâches en programmation parallèle pour de meilleures performances.

La fusion des tâches améliore les performances en informatique distribuée grâce à une gestion efficace des tâches.

Un nouveau système facilite l'utilisation privée des LLM via des ressources HPC.

Un nouveau modèle de machine Ising améliore la résolution des problèmes d'optimisation et la vitesse de calcul.

Une nouvelle méthode améliore la performance de la multiplication de matrices en utilisant des matrices creuses.

Cet article présente un nouveau IDS basé sur DNN dans des réseaux programmables.

Examiner comment les automates de seuil améliorent la vérification des algorithmes distribués.

Un nouveau système améliore la gestion de la mémoire pour la génération de longs textes dans les modèles de langage.

Les GNNs énergétiques améliorent la communication et l'adaptation dans les systèmes multi-agents.

LASSI aide à traduire des programmes informatiques pour un calcul scientifique efficace.

Un nouveau modèle qui aide les applications cloud à utiliser les ressources sans serveur de manière efficace.

Un nouveau système améliore les performances cloud et réduit les coûts en combinant les VM et le FaaS.

AAggFF introduit des stratégies adaptatives pour un rendement équitable des modèles en apprentissage fédéré.

Cette étude se concentre sur le calcul OTA pour améliorer la communication des appareils dans les réseaux.

WallFacer améliore l'efficacité de l'entraînement des modèles Transformer sur de longues séquences grâce à une communication optimisée.

Une nouvelle méthode améliore la fraîcheur des données pour les véhicules intelligents grâce à des algorithmes innovants.

SWIRL simplifie les workflows scientifiques complexes pour plus d'efficacité et d'interopérabilité.

LLload facilite le suivi de la performance des jobs sur les systèmes HPC.

Une nouvelle méthode réduit la consommation d'énergie tout en améliorant les résultats d'apprentissage dans des systèmes décentralisés.

Le calcul codé propose une nouvelle façon d'optimiser l'efficacité des serveurs.

Explorer l’optimisation des DNN pour les appareils avec une source d’énergie limitée.

Examiner les défis de la construction de centres de données pour entraîner de grands modèles de langage.

DRLQ améliore l'attribution des tâches pour les ressources quantiques, boostant l'efficacité dans le cloud computing.

Cet article explore les avantages de l'utilisation du FP8 dans l'apprentissage fédéré.

Stratégies pour minimiser les émissions de carbone dans les datacenters grâce à de meilleures prévisions.

MIREncoder améliore l'optimisation du code en utilisant une représentation multi-modale et l'apprentissage automatique.

Une approche formelle pour vérifier la justesse des protocoles de consensus basés sur des DAG.

Un nouveau système accélère la création d'images tout en gardant la qualité.

Un nouveau cadre améliore l'apprentissage fédéré tout en garantissant la confidentialité des données.

Un nouveau système améliore le service des modèles ML en combinant précision et montée en charge matérielle.

Cette méthode améliore l'efficacité de la communication dans l'apprentissage fédéré tout en préservant la confidentialité des données.

Une méthode pour calculer des moyennes tout en gardant les données des nœuds privées.

Un nouveau système vise à améliorer la rapidité et l'efficacité dans l'analyse des données génétiques.

L'IA en périphérie traite les données plus près de leur source, ce qui améliore la vitesse et la sécurité.

La recherche met en avant des stratégies pour réduire la consommation d'énergie dans les grands modèles de langage.

Un aperçu des réseaux électriques, de leurs composants et des stratégies de gestion.

Une nouvelle méthode améliore la performance du modèle sur des données jamais vues.

De nouvelles techniques améliorent la vitesse d'entraînement des modèles de recommandation en apprentissage profond.