Informatique - Informatique distribuée, parallèle et en grappes

Une approche formelle pour réduire les téléportations dans les réseaux d'informatique quantique.

Une nouvelle implémentation MPM améliore vachement les simulations d'écoulement de gaz.

La recherche s'attaque au problème de la recherche de trous noirs dans des réseaux en évolution.

Découvrez de nouvelles techniques pour améliorer l'efficacité de l'entraînement des réseaux de neurones profonds.

Fast-FedUL propose des méthodes rapides pour supprimer des données en apprentissage fédéré tout en garantissant la vie privée.

Ce papier présente L-HiTS, une méthode pour simuler des systèmes complexes en utilisant l'apprentissage profond.

Apprends à créer des registres SWMR qui tiennent le coup face aux défis des processus byzantins.

Exécution efficace des modèles de transformateurs sur une plateforme RISC-V open-source.

Une nouvelle approche pour planifier des tâches dans des clusters de traitement de données en utilisant des arbres de décision.

FedGELA s'attaque aux défis de l'apprentissage fédéré avec des données partiellement disjointes par classe.

FedLESAM s'occupe des problèmes de données dans l'apprentissage fédéré pour de meilleures performances des modèles.

FedMR s'attaque aux défis de l'apprentissage fédéré avec des données de classes partielles, améliorant la performance du modèle.

Kosmosis combine des données blockchain et des réseaux sociaux pour prévenir les arnaques crypto.

PadFL améliore le partage de modèles et l'efficacité selon les capacités des appareils.

Les protocoles BFT basés sur des DAG améliorent la scalabilité et l'efficacité dans le traitement des transactions.

Une nouvelle approche améliore la sécurité et les performances dans l'apprentissage fédéré avec la blockchain.

Découvrez comment les cycloïdes aident à modéliser la synchronisation dans les processus dans différents domaines.

FunLess propose une exécution efficace de fonctions sans serveur dans des systèmes de cloud edge privés.

Présentation de l'Averaging Dynamique Fédéré pour améliorer la communication dans l'apprentissage profond distribué.

GROMACS intègre SYCL pour améliorer les performances sur les GPU AMD dans les simulations de dynamique moléculaire.

Une méthode pour l'apprentissage machine collaboratif tout en gardant les données privées.

Explore différentes solutions de stockage de big data et leurs caractéristiques uniques.

SpaFL améliore la communication et le calcul dans l'apprentissage fédéré tout en sécurisant les données personnelles.

Une stratégie pour améliorer l'allocation des serveurs pour une meilleure exécution des tâches et réduire les délais.

Une nouvelle méthode s'attaque aux erreurs sans fil dans l'apprentissage fédéré pour les appareils IoT.

Une analyse des besoins matériels pour faire tourner efficacement des grands modèles de langage.

Un nouveau système améliore le service des grands modèles de langage sur différentes configurations de GPU.

Une nouvelle approche multi-serveurs améliore l'efficacité et la vitesse de l'apprentissage fédéré.

Une nouvelle approche améliore la vie privée en apprentissage automatique et la résilience contre les attaques.

Une étude sur Dask et Spark pour analyser des données d'imagerie cérébrale.

Un cadre pour améliorer la reproductibilité dans les flux de travail computationnels pour la science.

Un aperçu de comment Rust facilite la gestion de la mémoire partagée distribuée.

De nouvelles méthodes améliorent l'efficacité de la découpe des circuits quantiques pour les systèmes distribués.

ReSaQuS améliore l'efficacité de la recherche quantique en utilisant des techniques innovantes de gestion des ressources.

Cet article traite de comment simuler des données clients pour un apprentissage fédéré plus rapide.

De nouvelles méthodes dans l'apprentissage fédéré améliorent la vie privée et la performance des modèles tout en gérant des données variées.

Apprends comment les rollups optimistes améliorent la vitesse et l'efficacité des blockchains.

Un nouveau cadre améliore l'efficacité dans le traitement des demandes pour les LLMs.

Fantastyc améliore l'apprentissage fédéré grâce à la blockchain pour une meilleure vie privée et sécurité.

Explorer comment les appareils peuvent collaborer pour une meilleure efficacité et performance.