Informatique - Informatique distribuée, parallèle et en grappes

Un nouveau cadre améliore la vitesse et l'efficacité de l'apprentissage fédéré tout en protégeant la vie privée.

Examiner le rôle des structures de données compactes pour améliorer l'efficacité du edge computing.

Cet article présente une méthode pour synchroniser efficacement les vues entre les processus dans les systèmes.

Cet article explore les avantages et les défis de l'apprentissage fédéré décentralisé.

Un aperçu du BNRA et du problème de couverturabilité pour la coordination des agents.

Un aperçu pour garantir la fiabilité des structures de données auditées.

Améliorer l'efficacité de la communication dans des applis de calcul parallèle complexes.

DVFO améliore l'efficacité énergétique et la vitesse de traitement des dispositifs edge dans l'IoT.

FedMSA améliore l'apprentissage fédéré en optimisant la communication et l'efficacité dans l'entraînement décentralisé.

Le cadre GPT-FL améliore l'apprentissage fédéré en utilisant des données synthétiques.

Un aperçu de Narwhal et Bullshark pour un consensus plus rapide et fiable.

Une nouvelle approche prédit les performances de compression avec perte pour les ensembles de données scientifiques, améliorant la gestion des données.

Les systèmes de mémoire désagrégés optimisent l'utilisation des ressources dans les environnements de calcul haute performance.

Explorer comment les agents peuvent améliorer la prise de décision grâce à la collaboration.

Explorer de nouvelles méthodes pour améliorer l'efficacité de l'apprentissage décentralisé tout en garantissant la confidentialité des données.

Une plateforme puissante conçue pour un traitement des données facile et rapide.

JOSS optimise l'utilisation de l'énergie dans les applis basées sur des tâches en prenant en compte le CPU et la mémoire ensemble.

Ce document présente une solution robuste pour une communication fiable dans des systèmes distribués.

Des méthodes de partitionnement innovantes améliorent l'efficacité des solveurs SMT pour des problèmes complexes.

Une nouvelle méthode réduit la consommation d'énergie dans le partage d'images grâce à une génération locale.

FedSMOO améliore l'apprentissage fédéré en s'attaquant à la diversité des données et aux problèmes de communication.

De nouveaux algos améliorent l'analyse de jeux de données complexes et de haute dimension.

Recherche sur les algorithmes pour trouver les chemins les plus courts dans des modèles de graphes distribués.

Une étude de cas sur les tests fonctionnels et de charge pour les systèmes de microservices.

Analyse des interactions entre agents et des horaires de réunion dans des marches aléatoires non atomiques.

Un modèle pour de meilleures prévisions des opérations I/O dans les environnements Linux.

Les objets numériques FAIR visent à améliorer la gestion et le partage des données de recherche.

Un aperçu de la cohérence causale dans les systèmes de données distribués en utilisant le codage de suppression.

Un guide pour améliorer la performance du GPU grâce à des permutations de tableaux efficaces.

Présentation d'une méthode fiable pour gérer des arbres dynamiques sans aléa.

Apprends comment le RAID améliore la fiabilité et la performance des systèmes de stockage.

DistSim analyse des stratégies d'entraînement hybrides, améliorant l'efficacité et réduisant les coûts.

De nouveaux algos améliorent la performance des modèles en apprentissage fédéré grâce à un clustering efficace des clients.

Une nouvelle approche pour améliorer la visibilité des robots mobiles autonomes.

De nouvelles méthodes améliorent l'apprentissage fédéré personnalisé tout en préservant la vie privée des données.

Un nouveau standard pour combiner les types de données tout en mettant l'accent sur la vie privée des utilisateurs.

MementoHash propose une distribution de données efficace entre les nœuds dans les environnements cloud.

Fedstellar permet un entraînement sécurisé et efficace des modèles de machine learning sur différents appareils.

Un nouveau cadre améliore l'apprentissage à partir de données limitées dans des environnements fédérés.

ZeRO++ améliore l'efficacité de la communication dans l'entraînement de gros modèles de deep learning.