Buchumschlag

What Operations can be Performed Directly on Compressed Arrays, and with What Error?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Agarwal, Tripti, Dam, Harvey, Khalifa, Dorra Ben, Martel, Matthieu, Sadayappan, P., Gopalakrishnan, Ganesh
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

TopoSZp: Lightweight Topology-Aware Error-controlled Compression for Scientific Data
von: Agarwal, Tripti, et al.
Veröffentlicht: (2026)

Fast Topology-Aware Lossy Data Compression with Full Preservation of Critical Points and Local Order
von: Fallin, Alex, et al.
Veröffentlicht: (2026)

HoSZp: An Efficient Homomorphic Error-bounded Lossy Compressor for Scientific Data
von: Agarwal, Tripti, et al.
Veröffentlicht: (2024)

SIMT/GPU Data Race Verification using ISCC and Intermediary Code Representations: A Case Study
von: Osterhout, Andrew, et al.
Veröffentlicht: (2025)

What can be computed in average anonymous networks?
von: Rybicki, Joel, et al.
Veröffentlicht: (2026)

HiRace: Accurate and Fast Source-Level Race Checking of GPU Programs
von: Jacobson, John, et al.
Veröffentlicht: (2024)

What Artificial Intelligence can do for High-Performance Computing systems?
von: Pochelu, Pierrick, et al.
Veröffentlicht: (2026)

Preserving Clusters in Error-Bounded Lossy Compression of Particle Data
von: Ren, Congrong, et al.
Veröffentlicht: (2026)

MoE-Compression: How the Compression Error of Experts Affects the Inference Accuracy of MoE Model?
von: Ma, Songkai, et al.
Veröffentlicht: (2025)

A GPU accelerated mixed-precision Smoothed Particle Hydrodynamics framework with cell-based relative coordinates
von: Mao, Zirui, et al.
Veröffentlicht: (2023)

Understanding Stragglers in Large Model Training Using What-if Analysis
von: Lin, Jinkun, et al.
Veröffentlicht: (2025)

Is Sparse Matrix Reordering Effective for Sparse Matrix-Vector Multiplication?
von: Asudeh, Omid, et al.
Veröffentlicht: (2025)

Using Diffusion Models as Generative Replay in Continual Federated Learning -- What will Happen?
von: Mei, Yongsheng, et al.
Veröffentlicht: (2024)

Orchestrating Serverless Applications in the Edge Cloud Space Continuum: What Breaks and What is Next?
von: Malazi, Hadi Tabatabaee, et al.
Veröffentlicht: (2026)

Fast Algorithms for Scheduling Many-body Correlation Functions on Accelerators
von: Selvitopi, Oguz, et al.
Veröffentlicht: (2025)

A Survey on Error-Bounded Lossy Compression for Scientific Datasets
von: Di, Sheng, et al.
Veröffentlicht: (2024)

What Cannot Be Implemented on Weak Memory?
von: Castañeda, Armando, et al.
Veröffentlicht: (2024)

HACK: Homomorphic Acceleration via Compression of the Key-Value Cache for Disaggregated LLM Inference
von: Zhang, Zeyu, et al.
Veröffentlicht: (2025)

Taming Unbalanced Training Workloads in Deep Learning with Partial Collective Operations
von: Li, Shigang, et al.
Veröffentlicht: (2019)

ZCCL: Significantly Improving Collective Communication With Error-Bounded Lossy Compression
von: Huang, Jiajun, et al.
Veröffentlicht: (2025)

An Optimized Error-controlled MPI Collective Framework Integrated with Lossy Compression
von: Huang, Jiajun, et al.
Veröffentlicht: (2023)

Context-Driven Performance Modeling for Causal Inference Operators on Neural Processing Units
von: Gupta, Neelesh, et al.
Veröffentlicht: (2025)

Eliminating Multi-GPU Performance Taxes: A Systems Approach to Efficient Distributed LLMs
von: Trifan, Octavian Alexandru, et al.
Veröffentlicht: (2025)

FedSZ: Leveraging Error-Bounded Lossy Compression for Federated Learning Communications
von: Wilkins, Grant, et al.
Veröffentlicht: (2023)

Boosting Scientific Error-Bounded Lossy Compression through Optimized Synergistic Lossy-Lossless Orchestration
von: Wu, Shixun, et al.
Veröffentlicht: (2025)

What Every Computer Scientist Needs To Know About Parallelization
von: Adefemi, Temitayo
Veröffentlicht: (2025)

COoL-TEE: Client-TEE Collaboration for Resilient Distributed Search
von: Bettinger, Matthieu, et al.
Veröffentlicht: (2025)

Reliability is Blind: Collective Incentives for Decentralized Computing Marketplaces without Individual Behavior Information
von: Mont, Henry, et al.
Veröffentlicht: (2025)

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

WWW: What, When, Where to Compute-in-Memory
von: Sharma, Tanvi, et al.
Veröffentlicht: (2023)

Efficient Model Compression for Hierarchical Federated Learning
von: Zhu, Xi, et al.
Veröffentlicht: (2024)

A Data-Informed Local Subspaces Method for Error-Bounded Lossy Compression of Large-Scale Scientific Datasets
von: Khan, Arshan, et al.
Veröffentlicht: (2026)

BICompFL: Stochastic Federated Learning with Bi-Directional Compression
von: Egger, Maximilian, et al.
Veröffentlicht: (2025)

Adaptive Compression in Federated Learning via Side Information
von: Isik, Berivan, et al.
Veröffentlicht: (2023)

Communication-Efficient Distributed Learning with Local Immediate Error Compensation
von: Cheng, Yifei, et al.
Veröffentlicht: (2024)

FPTC: A Fast Parallel Transform-based Codec for Efficient Asymmetric Signal Compression
von: Mechels, Ben, et al.
Veröffentlicht: (2026)

An Efficient Gradient-Aware Error-Bounded Lossy Compressor for Federated Learning
von: Ye, Zhijing, et al.
Veröffentlicht: (2025)

Reinforcement Learning-based Adaptive Mitigation of Uncorrected DRAM Errors in the Field
von: Boixaderas, Isaac, et al.
Veröffentlicht: (2024)

FDC: Fast KV Dimensionality Compression for Efficient LLM Inference
von: Zhang, Zeyu, et al.
Veröffentlicht: (2024)

Overcoming Challenges of Partial Client Participation in Federated Learning : A Comprehensive Review
von: Sen, Mrinmay, et al.
Veröffentlicht: (2025)