Informatica - Informatica distribuita, parallela e in cluster

Introduzione di algoritmi euristici per migliorare l'efficienza della programmazione dei lavori nei problemi di flowshop.

Il framework CARIn adatta i modelli di deep learning per le migliori prestazioni sui dispositivi mobili.

RoLoRA migliora l'apprendimento federato con un fine-tuning robusto e comunicazione efficiente.

Un nuovo approccio al computing serverless punta a ridurre efficacemente le emissioni di carbonio.

Scopri come la compressione dei modelli migliora l'efficienza dei grandi modelli linguistici.

Un'analisi completa dell'efficienza e dell'accuratezza di un nuovo algoritmo nella gestione dei dati.

Combinare il calcolo quantistico e classico per far avanzare la ricerca scientifica.

Un nuovo metodo migliora la pianificazione dei compiti sui server edge usando algoritmi euristici e calcolo evolutivo.

GreenWhisk si concentra sulla riduzione delle emissioni di carbonio nel cloud computing.

DiOMP combina PGAS e OpenMP per una programmazione efficiente nei sistemi distribuiti.

Nuovo approccio usa l'apprendimento federato per ottimizzare le decisioni di offloading delle attività mobili.

Nuove tecniche di compressione accelerano l'addestramento per grandi modelli di linguaggio mantenendo la precisione.

Nuovi metodi migliorano l'efficienza del machine learning negli ambienti mobili.

Analizzando il consumo energetico nei supercomputer per migliorare l'efficienza.

Il bilanciamento del carico guidato dall'IA migliora le prestazioni e l'efficienza del cloud.

Un nuovo approccio per un'AI mobile flessibile usando modelli di lingua sul dispositivo.

Presentiamo FedFT, un metodo per migliorare la comunicazione nel Federated Learning.

Questo articolo analizza come l'integrazione tra Coarray e CUDA Fortran migliora le prestazioni di calcolo.

Un compito interessante sull'allineamento delle sequenze di DNA aiuta l'educazione alla programmazione parallela.

Scopri come la Verifica dell'Input del Modello protegge l'accuratezza della simulazione in diversi settori.

Un nuovo metodo migliora l'apprendimento collaborativo ottimizzando la selezione dei clienti e il training personalizzato del modello.

Esplorare nuovi protocolli per un consenso sicuro in reti decentralizzate usando la tecnologia quantistica.

Una nuova libreria migliora gli algoritmi MPPI per applicazioni robotiche.

Un nuovo metodo per addestrare le CNN direttamente su dispositivi mobili e edge.

Ottimizzazione dei gemelli digitali tramite modelli di ordine ridotto e calcolo ad alte prestazioni.

Un nuovo metodo migliora la privacy garantendo al contempo buone prestazioni del modello nel Federated Learning.

Inf-MLLM migliora l'efficienza nella gestione di flussi di dati complessi con risorse limitate.

Un metodo innovativo di dati sintetici migliora l'accuratezza dell'imaging medico proteggendo la privacy dei pazienti.

Nuove strategie per la collaborazione tra agenti aumentano la fiducia e l'efficienza nelle risposte dell'IA.

Un nuovo metodo migliora l'affidabilità e l'efficienza della blockchain nelle reti decentralizzate.

FedD2P offre un nuovo modo per l'IoT di addestrare modelli senza risorse pesanti.

Analizzando le prestazioni dei datacenter HPC con carichi di lavoro ML e tradizionali.

Un nuovo approccio all'apprendimento federato che migliora l'accuratezza e l'uso delle risorse.

Nuovi algoritmi migliorano il calcolo delle funzioni di Bessel modificate per diverse applicazioni.

La replica collaborativa senza coordinazione rende il lavoro di gruppo più semplice senza dover messaggiare in continuazione.

Un metodo per gestire meglio le grandi reti nel machine learning.

Esplorando il cambiamento verso metodi centrati sulle GPU per migliorare le prestazioni di calcolo.

Il Federated Learning affronta le sfide della privacy dei dati in settori delicati.

Un nuovo framework migliora la pianificazione e l'esecuzione dei compiti nell'edge computing.

Un nuovo metodo migliora la privacy dei dati nel machine learning attraverso approcci personalizzati.