Informatique - Informatique distribuée, parallèle et en grappes

Découvre comment les algorithmes distribués simplifient l'allocation des ressources entre les agents.

FedMef améliore l'apprentissage fédéré pour les appareils à faibles ressources grâce à des techniques de taille innovantes.

Explorer des méthodes pour obtenir une finalité des transactions plus rapide sur le réseau Ethereum.

Une nouvelle méthode utilisant des transformations de Fourier pour une meilleure estimation des moments de données.

De nouvelles méthodes améliorent l'algorithme de Kaczmarz pour résoudre des systèmes linéaires denses.

Un nouveau cadre pour entraîner des modèles sans partager de données sensibles.

Combiner RADICAL-Pilot et Cylon pour une gestion des données efficace en deep learning.

Union simplifie la gestion des charges de travail hybrides dans les environnements de calcul haute performance.

Cette méthode améliore les décisions de routage dans les réseaux Dragonfly en utilisant l'apprentissage automatique.

MRSch améliore la planification des jobs en calcul haute performance en optimisant l'utilisation des ressources.

Une nouvelle approche utilise des arbres de décision pour un planning de jobs plus clair dans l'informatique haute performance.

Les méthodes de routage intelligentes améliorent les performances des réseaux de supercalculateurs Dragonfly.

Un aperçu de comment le DRM améliore l'allocation des ressources en informatique.

Un nouveau protocole améliore l'efficacité de l'entraînement des réseaux de neurones graphes en utilisant le CPU et le GPU.

Explore le passage des CPU aux GPU dans la modélisation de la glace de mer.

Examiner les contrats intelligents, leur sécurité et le rôle de la gestion de la confiance.

Une nouvelle méthode améliore la vie privée dans l'apprentissage fédéré en ligne tout en s'adaptant aux données en évolution.

Raptor améliore la planification des fonctions sans serveur pour des applis plus rapides et plus fiables.

Le Data Mesh transforme la gestion des données en favorisant la propriété et la collaboration des équipes.

Apprends des méthodes pour identifier les cycles pairs dans de grands réseaux et leur importance.

Stratégies pour réduire la latence de démarrage à froid dans les applications sans serveur.

Un aperçu de l’algorithme Raft pour le consensus dans les systèmes distribués.

Explorer l'intersection entre la blockchain et l'apprentissage fédéré pour la confidentialité et la sécurité des données.

THEMIS améliore l'équité et l'efficacité dans la planification des ressources FPGA pour plusieurs utilisateurs.

FedD2S améliore l'apprentissage fédéré en personnalisant les modèles tout en préservant la vie privée des données.

Un cadre pour entraîner des modèles de machine learning tout en protégeant la vie privée.

Un nouveau cadre vise à améliorer l'interopérabilité et l'efficacité des DSL dans le HPC.

Un système qui optimise les calculs pour les matrices creuses en utilisant un stockage bloqué.

Ce paper parle du potentiel de DAOS pour améliorer la gestion des données de prévision météo.

La recherche se concentre sur l'optimisation des transformateurs pour les petits appareils avec des ressources limitées.

Apprends comment les arbres d'historique améliorent les interactions des agents dans des réseaux dynamiques.

MOPAR améliore l'efficacité et la rentabilité de l'inférence en deep learning sur des plateformes sans serveur.

Les données synthétiques permettent aux entreprises de partager des infos tout en protégeant les données sensibles.

Une étude sur l'amélioration des performances des GPU pour les calculs de pochoir dans les applications scientifiques.

Apprends comment le sharding améliore la performance et l'efficacité des bases de données.

Un nouvel algorithme améliore la performance et la fiabilité dans la réplication de machines d'état à travers des réseaux étendus.

Une nouvelle approche pour améliorer les performances des logiciels grâce à des méthodes de réglage dynamique.

Smart HPA améliore l'efficacité de mise à l'échelle des microservices dans des environnements avec des ressources limitées.

Un nouveau cours combine l'informatique quantique et classique pour être prêt pour l'avenir.

Un nouveau modèle léger améliore la reconnaissance des cibles dans les images radar à synthèse d'ouverture.