Buchumschlag

Improvements & Evaluations on the MLCommons CloudMask Benchmark

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chennamsetti, Varshitha, Mehnaz, Laiba, Zhao, Dan, Ghosh, Banani, Samsonau, Sergey V.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Distributed, Parallel, and Cluster Computing Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

MLCommons Cloud Masking Benchmark with Early Stopping
von: Chennamsetti, Varshitha, et al.
Veröffentlicht: (2023)

MLCommons Chakra: Advancing Performance Benchmarking and Co-design using Standardized Execution Traces
von: Sridharan, Srinivas, et al.
Veröffentlicht: (2026)

Enabling Efficient Serverless Inference Serving for LLM (Large Language Model) in the Cloud
von: Ghosh, Himel
Veröffentlicht: (2024)

Dependency Aware Incident Linking in Large Cloud Systems
von: Ghosh, Supriyo, et al.
Veröffentlicht: (2024)

Masked Random Noise for Communication Efficient Federated Learning
von: Li, Shiwei, et al.
Veröffentlicht: (2024)

A Scenario-Oriented Benchmark for Assessing AIOps Algorithms in Microservice Management
von: Sun, Yongqian, et al.
Veröffentlicht: (2024)

Mask-Encoded Sparsification: Mitigating Biased Gradients in Communication-Efficient Split Learning
von: Zhou, Wenxuan, et al.
Veröffentlicht: (2024)

Governing Cloud Data Pipelines with Agentic AI
von: Kirubakaran, Aswathnarayan Muthukrishnan, et al.
Veröffentlicht: (2025)

Synthetic Time Series for Anomaly Detection in Cloud Microservices
von: Allam, Mohamed, et al.
Veröffentlicht: (2024)

FedORGP: Guiding Heterogeneous Federated Learning with Orthogonality Regularization on Global Prototypes
von: Guo, Fucheng, et al.
Veröffentlicht: (2025)

MAIZX: A Carbon-Aware Framework for Optimizing Cloud Computing Emissions
von: Ruilova, Federico, et al.
Veröffentlicht: (2025)

Federated Learning Framework for Scalable AI in Heterogeneous HPC and Cloud Environments
von: Ghimire, Sangam, et al.
Veröffentlicht: (2025)

A Holistic Framework for Automated Configuration Recommendation for Cloud Service Monitoring
von: Bastos, Anson, et al.
Veröffentlicht: (2026)

Computing in the Era of Large Generative Models: From Cloud-Native to AI-Native
von: Lu, Yao, et al.
Veröffentlicht: (2024)

Leveraging Neural Graph Compilers in Machine Learning Research for Edge-Cloud Systems
von: Furutanpey, Alireza, et al.
Veröffentlicht: (2025)

Cost-Efficient LLM Serving in the Cloud: VM Selection with KV Cache Offloading
von: Kim, Kihyun, et al.
Veröffentlicht: (2025)

QAISim: A Toolkit for Modeling and Simulation of AI in Quantum Cloud Computing Environments
von: Singh, Irwindeep, et al.
Veröffentlicht: (2025)

LLMQ: Efficient Lower-Precision Pretraining for Consumer GPUs
von: Schultheis, Erik, et al.
Veröffentlicht: (2025)

CE-CoLLM: Efficient and Adaptive Large Language Models Through Cloud-Edge Collaboration
von: Jin, Hongpeng, et al.
Veröffentlicht: (2024)

A Robust Power Model Training Framework for Cloud Native Runtime Energy Metric Exporter
von: Choochotkaew, Sunyanan, et al.
Veröffentlicht: (2024)

FedFog: Network-Aware Optimization of Federated Learning over Wireless Fog-Cloud Systems
von: Nguyen, Van-Dinh, et al.
Veröffentlicht: (2021)

Local-Cloud Inference Offloading for LLMs in Multi-Modal, Multi-Task, Multi-Dialogue Settings
von: Yuan, Liangqi, et al.
Veröffentlicht: (2025)

MARLIN: Multi-Agent Game-Theoretic Reinforcement Learning for Sustainable LLM Inference in Cloud Datacenters
von: Moore, H., et al.
Veröffentlicht: (2026)

MAS-H2: A Hierarchical Multi-Agent System for Holistic Cloud-Native Autoscaling
von: Hamzeh, Hamed, et al.
Veröffentlicht: (2026)

DSD: A Distributed Speculative Decoding Solution for Edge-Cloud Agile Large Model Serving
von: Yu, Fengze, et al.
Veröffentlicht: (2025)

Agglomerative Federated Learning: Empowering Larger Model Training via End-Edge-Cloud Collaboration
von: Wu, Zhiyuan, et al.
Veröffentlicht: (2023)

FLea: Addressing Data Scarcity and Label Skew in Federated Learning via Privacy-preserving Feature Augmentation
von: Xia, Tong, et al.
Veröffentlicht: (2024)

Beyond Model Scale Limits: End-Edge-Cloud Federated Learning with Self-Rectified Knowledge Agglomeration
von: Wu, Zhiyuan, et al.
Veröffentlicht: (2025)

NOMAD: Generating Embeddings for Massive Distributed Graphs
von: Sarkar, Aishwarya, et al.
Veröffentlicht: (2026)

Queuing dynamics of asynchronous Federated Learning
von: Leconte, Louis, et al.
Veröffentlicht: (2024)

GNNBENCH: Fair and Productive Benchmarking for Single-GPU GNN System
von: Gong, Yidong, et al.
Veröffentlicht: (2024)

Benchmarking Mutual Information-based Loss Functions in Federated Learning
von: S, Sarang, et al.
Veröffentlicht: (2025)

CloudFormer: An Attention-based Performance Prediction for Public Clouds with Unknown Workload
von: Shahbazinia, Amirhossein, et al.
Veröffentlicht: (2025)

PFLlib: A Beginner-Friendly and Comprehensive Personalized Federated Learning Library and Benchmark
von: Zhang, Jianqing, et al.
Veröffentlicht: (2023)

Hybrid Decentralized Optimization: Leveraging Both First- and Zeroth-Order Optimizers for Faster Convergence
von: Ansaripour, Matin, et al.
Veröffentlicht: (2022)

Holistic Evaluation Metrics: Use Case Sensitive Evaluation Metrics for Federated Learning
von: Li, Yanli, et al.
Veröffentlicht: (2024)

MoE-CAP: Benchmarking Cost, Accuracy and Performance of Sparse Mixture-of-Experts Systems
von: Jiang, Yinsicheng, et al.
Veröffentlicht: (2024)

MoE-CAP: Benchmarking Cost, Accuracy and Performance of Sparse Mixture-of-Experts Systems
von: Jiang, Yinsicheng, et al.
Veröffentlicht: (2025)

Secure Federated Learning Across Heterogeneous Cloud and High-Performance Computing Resources -- A Case Study on Federated Fine-tuning of LLaMA 2
von: Li, Zilinghan, et al.
Veröffentlicht: (2024)

A Comprehensive Forecasting Framework based on Multi-Stage Hierarchical Forecasting Reconciliation and Adjustment
von: Yang, Zhengchao, et al.
Veröffentlicht: (2024)