Buchumschlag

GraVAC: Adaptive Compression for Communication-Efficient Distributed DL Training

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tyagi, Sahil, Swany, Martin
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Accelerating Distributed ML Training via Selective Synchronization
von: Tyagi, Sahil, et al.
Veröffentlicht: (2023)

ScaDLES: Scalable Deep Learning over Streaming data at the Edge
von: Tyagi, Sahil, et al.
Veröffentlicht: (2023)

Flexible Communication for Optimal Distributed Learning over Unpredictable Networks
von: Tyagi, Sahil, et al.
Veröffentlicht: (2023)

Tula: Optimizing Time, Cost, and Generalization in Distributed Large-Batch Training
von: Tyagi, Sahil, et al.
Veröffentlicht: (2026)

LoCoDL: Communication-Efficient Distributed Learning with Local Training and Compression
von: Condat, Laurent, et al.
Veröffentlicht: (2024)

OmniLearn: A Framework for Distributed Deep Learning over Heterogeneous Clusters
von: Tyagi, Sahil, et al.
Veröffentlicht: (2025)

SparDL: Distributed Deep Learning Training with Efficient Sparse Communication
von: Zhao, Minjun, et al.
Veröffentlicht: (2023)

On Using Large-Batches in Federated Learning
von: Tyagi, Sahil
Veröffentlicht: (2025)

GraNNDis: Efficient Unified Distributed Training Framework for Deep GNNs on Large Clusters
von: Song, Jaeyong, et al.
Veröffentlicht: (2023)

ScaleDL: Towards Scalable and Efficient Runtime Prediction for Distributed Deep Learning Workloads
von: Wang, Xiaokai, et al.
Veröffentlicht: (2025)

Efficient Distributed Training through Gradient Compression with Sparsification and Quantization Techniques
von: Singh, Shruti, et al.
Veröffentlicht: (2024)

Communication-Efficient Federated Learning with Adaptive Compression under Dynamic Bandwidth
von: Zhuansun, Ying, et al.
Veröffentlicht: (2024)

Efficient Dynamic Structured Sparse Training with Learned Shuffles
von: Tyagi, Abhishek, et al.
Veröffentlicht: (2025)

Strategies for Improving Communication Efficiency in Distributed and Federated Learning: Compression, Local Training, and Personalization
von: Yi, Kai
Veröffentlicht: (2025)

GraLoRA: Granular Low-Rank Adaptation for Parameter-Efficient Fine-Tuning
von: Jung, Yeonjoon, et al.
Veröffentlicht: (2025)

Efficient and Accurate Explanation Estimation with Distribution Compression
von: Baniecki, Hubert, et al.
Veröffentlicht: (2024)

Global Momentum Compression for Sparse Communication in Distributed Learning
von: Shi, Chang-Wei, et al.
Veröffentlicht: (2019)

BiCoLoR: Communication-Efficient Optimization with Bidirectional Compression and Local Training
von: Condat, Laurent, et al.
Veröffentlicht: (2026)

GraSP: Simple yet Effective Graph Similarity Predictions
von: Zheng, Haoran, et al.
Veröffentlicht: (2024)

Communication Efficient Distributed Training with Distributed Lion
von: Liu, Bo, et al.
Veröffentlicht: (2024)

Reasoning Stabilization Point: A Training-Time Signal for Stable Evidence and Shortcut Reliance
von: Dhayalkar, Sahil Rajesh
Veröffentlicht: (2026)

RepDL: Bit-level Reproducible Deep Learning Training and Inference
von: Xie, Peichen, et al.
Veröffentlicht: (2025)

InfGraND: An Influence-Guided GNN-to-MLP Knowledge Distillation
von: Eskandari, Amir, et al.
Veröffentlicht: (2026)

GraIP: A Benchmarking Framework For Neural Graph Inverse Problems
von: Cantürk, Semih, et al.
Veröffentlicht: (2026)

Distributed and Rate-Adaptive Feature Compression
von: Deshmukh, Aditya, et al.
Veröffentlicht: (2024)

An Adaptive Tensor-Train Decomposition Approach for Efficient Deep Neural Network Compression
von: Luo, Shiyi, et al.
Veröffentlicht: (2024)

GraCo -- A Graph Composer for Integrated Circuits
von: Uhlich, Stefan, et al.
Veröffentlicht: (2024)

Efficient Post-Training Augmentation for Adaptive Inference in Heterogeneous and Distributed IoT Environments
von: Sponner, Max, et al.
Veröffentlicht: (2024)

MelissaDL x Breed: Towards Data-Efficient On-line Supervised Training of Multi-parametric Surrogates with Active Learning
von: Dymchenko, Sofya, et al.
Veröffentlicht: (2024)

Byzantine-Robust and Communication-Efficient Distributed Learning via Compressed Momentum Filtering
von: Liu, Changxin, et al.
Veröffentlicht: (2024)

Communication-Efficient Split Learning via Adaptive Feature-Wise Compression
von: Oh, Yongjeong, et al.
Veröffentlicht: (2023)

Dependable Distributed Training of Compressed Machine Learning Models
von: Malandrino, Francesco, et al.
Veröffentlicht: (2024)

Accelerating Communication in Deep Learning Recommendation Model Training with Dual-Level Adaptive Lossy Compression
von: Feng, Hao, et al.
Veröffentlicht: (2024)

Communication-Efficient Adaptive Batch Size Strategies for Distributed Local Gradient Methods
von: Lau, Tim Tsz-Kit, et al.
Veröffentlicht: (2024)

Distributed Online Convex Optimization with Compressed Communication: Optimal Regret and Applications
von: Yang, Sifan, et al.
Veröffentlicht: (2026)

Adaptive Graph Coarsening for Efficient GNN Training
von: Olshevskyi, Rostyslav, et al.
Veröffentlicht: (2025)

Harmonic Loss Trains Interpretable AI Models
von: Baek, David D., et al.
Veröffentlicht: (2025)

OmniFed: A Modular Framework for Configurable Federated Learning from Edge to HPC
von: Tyagi, Sahil, et al.
Veröffentlicht: (2025)

Similarity, Compression and Local Steps: Three Pillars of Efficient Communications for Distributed Variational Inequalities
von: Beznosikov, Aleksandr, et al.
Veröffentlicht: (2023)

Communication-Efficient and Interoperable Distributed Learning
von: Krouka, Mounssif, et al.
Veröffentlicht: (2025)