Buchumschlag

Predictive Analysis of CFPB Consumer Complaints Using Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vaishnav, Dhwani, Neethinayagam, Manimozhi, Khaire, Akanksha, Woo, Jongwook
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Cyberattack Data Analysis in IoT Environments using Big Data
von: Patidar, Neelam, et al.
Veröffentlicht: (2024)

FedCDC: A Collaborative Framework for Data Consumers in Federated Learning Market
von: Shi, Zhuan, et al.
Veröffentlicht: (2025)

A Privacy-Preserving Machine Learning Framework for Edge Intelligence: An Empirical Analysis
von: Trieu, Quoc Lap, et al.
Veröffentlicht: (2026)

Big Data-Driven Fraud Detection Using Machine Learning and Real-Time Stream Processing
von: Liu, Chen, et al.
Veröffentlicht: (2025)

Metric Criticality Identification for Cloud Microservices
von: Singal, Akanksha, et al.
Veröffentlicht: (2025)

Channel Prediction under Network Distribution Shift Using Continual Learning-based Loss Regularization
von: Mohsin, Muhammad Ahmed, et al.
Veröffentlicht: (2025)

Building State Machine Replication Using Practical Network Synchrony
von: Wan, Yiliang, et al.
Veröffentlicht: (2025)

Multi-Objective Optimization of Consumer Group Autoscaling in Message Broker Systems
von: Landau, Diogo, et al.
Veröffentlicht: (2024)

A Privacy-Preserving Ecosystem for Developing Machine Learning Algorithms Using Patient Data: Insights from the TUM.ai Makeathon
von: Süwer, Simon, et al.
Veröffentlicht: (2025)

SODA: Protecting Proprietary Information in On-Device Machine Learning Models
von: Atrey, Akanksha, et al.
Veröffentlicht: (2023)

Optimizing the Variant Calling Pipeline Execution on Human Genomes Using GPU-Enabled Machines
von: Kumar, Ajay, et al.
Veröffentlicht: (2025)

Benchmarking Machine Learning Applications on Heterogeneous Architecture using Reframe
von: Rae, Christopher, et al.
Veröffentlicht: (2024)

Propius: A Platform for Collaborative Machine Learning across the Edge and the Cloud
von: Ding, Eric
Veröffentlicht: (2025)

Rethinking Knowledge Distillation in Collaborative Machine Learning: Memory, Knowledge, and Their Interactions
von: Han, Pengchao, et al.
Veröffentlicht: (2025)

AgentServe: Algorithm-System Co-Design for Efficient Agentic AI Serving on a Consumer-Grade GPU
von: Zhang, Yuning, et al.
Veröffentlicht: (2026)

Generative Federated Learning for Smart Prediction and Recommendation Applications
von: Mukherjee, Anwesha, et al.
Veröffentlicht: (2025)

Approximated Coded Computing: Towards Fast, Private and Secure Distributed Machine Learning
von: Qiu, Houming, et al.
Veröffentlicht: (2024)

NetSenseML: Network-Adaptive Compression for Efficient Distributed Machine Learning
von: Wang, Yisu, et al.
Veröffentlicht: (2025)

JanusPipe: Efficient Pipeline Parallel Training for Machine Learning Interatomic Potentials
von: Wang, Hongyu, et al.
Veröffentlicht: (2026)

LoHan: Low-Cost High-Performance Framework to Fine-Tune 100B Model on a Consumer GPU
von: Liao, Changyue, et al.
Veröffentlicht: (2024)

EinDecomp: Decomposition of Declaratively-Specified Machine Learning and Numerical Computations for Parallel Execution
von: Bourgeois, Daniel, et al.
Veröffentlicht: (2024)

Reducing the Impact of I/O Contention in Numerical Weather Prediction Workflows at Scale Using DAOS
von: Manubens, Nicolau, et al.
Veröffentlicht: (2024)

Adaptive Cache Management for Complex Storage Systems Using CNN-LSTM-Based Spatiotemporal Prediction
von: Wang, Xiaoye, et al.
Veröffentlicht: (2024)

COSMIC: Enabling Full-Stack Co-Design and Optimization of Distributed Machine Learning Systems
von: Raju, Aditi, et al.
Veröffentlicht: (2025)

Federated Learning Using Coupled Tensor Train Decomposition
von: Zhang, Xiangtao, et al.
Veröffentlicht: (2024)

Gradient Compression and Correlation Driven Federated Learning for Wireless Traffic Prediction
von: Zhang, Chuanting, et al.
Veröffentlicht: (2025)

NineToothed: A Triton-Based High-Level Domain-Specific Language for Machine Learning
von: Huang, Jiacheng, et al.
Veröffentlicht: (2025)

Distributed Hierarchical Machine Learning for Joint Resource Allocation and Slice Selection in In-Network Edge Systems
von: Rashid, Sulaiman Muhammad, et al.
Veröffentlicht: (2025)

Ksurf: Attention Kalman Filter and Principal Component Analysis for Prediction under Highly Variable Cloud Workloads
von: Dang'ana, Michael, et al.
Veröffentlicht: (2024)

Orchestrated Co-scheduling, Resource Partitioning, and Power Capping on CPU-GPU Heterogeneous Systems via Machine Learning
von: Saba, Issa, et al.
Veröffentlicht: (2024)

Machine Learning for Consistency Violation Faults Analysis
von: Giri, Kamal, et al.
Veröffentlicht: (2025)

Analysis and Optimization of Wireless Multimodal Federated Learning on Modal Heterogeneity
von: Han, Xuefeng, et al.
Veröffentlicht: (2025)

An Empirical Analysis of Secure Federated Learning for Autonomous Vehicle Applications
von: Mia, Md Jueal, et al.
Veröffentlicht: (2025)

Asynchronous Federated Learning Using Outdated Local Updates Over TDMA Channel
von: Song, Jaeyoung, et al.
Veröffentlicht: (2024)

DART: A Solution for Decentralized Federated Learning Model Robustness Analysis
von: Feng, Chao, et al.
Veröffentlicht: (2024)

OptimES: Optimizing Federated Learning Using Remote Embeddings for Graph Neural Networks
von: Naman, Pranjal, et al.
Veröffentlicht: (2025)

Towards Designing an Energy Aware Data Replication Strategy for Cloud Systems Using Reinforcement Learning
von: Najjar, Amir, et al.
Veröffentlicht: (2025)

Linearizability and State-Machine Replication: Is it a match?
von: Hauck, Franz J., et al.
Veröffentlicht: (2024)

The Cost of Garbage Collection for State Machine Replication
von: Liang, Zhiying, et al.
Veröffentlicht: (2024)

A Lightweight Approach for State Machine Replication
von: Cachin, Christian, et al.
Veröffentlicht: (2025)