Buchumschlag

yProv4ML: Effortless Provenance Tracking for Machine Learning Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Padovani, Gabriele, Anantharaj, Valentine, Fiore, Sandro
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Provenance Tracking in Large-Scale Machine Learning Systems
von: Padovani, Gabriele, et al.
Veröffentlicht: (2025)

HyProv: Hybrid Provenance Management for Scientific Workflows
von: Bountris, Vasilis, et al.
Veröffentlicht: (2025)

ProvDeploy: Provenance-oriented Containerization of High Performance Computing Scientific Workflows
von: Kunstmann, Liliane, et al.
Veröffentlicht: (2024)

Magneton: Optimizing Energy Efficiency of ML Systems via Differential Energy Debugging
von: Pan, Yi, et al.
Veröffentlicht: (2025)

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

SAIR: Cost-Efficient Multi-Stage ML Pipeline Autoscaling via In-Context Reinforcement Learning
von: Su, Jianchang, et al.
Veröffentlicht: (2026)

Personalized Semi-Supervised Federated Learning for Human Activity Recognition
von: Presotto, Riccardo, et al.
Veröffentlicht: (2021)

DYNAMIX: RL-based Adaptive Batch Size Optimization in Distributed Machine Learning Systems
von: Dai, Yuanjun, et al.
Veröffentlicht: (2025)

Robust Decentralized Learning with Local Updates and Gradient Tracking
von: Ghiasvand, Sajjad, et al.
Veröffentlicht: (2024)

CubicML: Automated ML for Large ML Systems Co-design with ML Prediction of Performance
von: Wen, Wei, et al.
Veröffentlicht: (2024)

Machine-Learning-Driven Runtime Optimization of BLAS Level 3 on Modern Multi-Core Systems
von: Xia, Yufan, et al.
Veröffentlicht: (2024)

Taming the Memory Beast: Strategies for Reliable ML Training on Kubernetes
von: Ray, Jaideep
Veröffentlicht: (2024)

Ilargi: a GPU Compatible Factorized ML Model Training Framework
von: Sun, Wenbo, et al.
Veröffentlicht: (2025)

Evolving HPC services to enable ML workloads on HPE Cray EX
von: Schuppli, Stefano, et al.
Veröffentlicht: (2025)

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

Scalable and Cost-Efficient ML Inference: Parallel Batch Processing with Serverless Functions
von: Barrak, Amine, et al.
Veröffentlicht: (2025)

tf.data service: A Case for Disaggregating ML Input Data Processing
von: Audibert, Andrew, et al.
Veröffentlicht: (2022)

Apparate: Rethinking Early Exits to Tame Latency-Throughput Tensions in ML Serving
von: Dai, Yinwei, et al.
Veröffentlicht: (2023)

ShardTensor: Domain Parallelism for Scientific Machine Learning
von: Adams, Corey, et al.
Veröffentlicht: (2026)

Heterogeneity: An Open Challenge for Federated On-board Machine Learning
von: Hartmann, Maria, et al.
Veröffentlicht: (2024)

Training Machine Learning models at the Edge: A Survey
von: Khouas, Aymen Rayane, et al.
Veröffentlicht: (2024)

PiPar: Pipeline Parallelism for Collaborative Machine Learning
von: Zhang, Zihan, et al.
Veröffentlicht: (2022)

Algorithms for Collaborative Machine Learning under Statistical Heterogeneity
von: Hahn, Seok-Ju
Veröffentlicht: (2024)

Federated Behavioural Planes: Explaining the Evolution of Client Behaviour in Federated Learning
von: Fenoglio, Dario, et al.
Veröffentlicht: (2024)

Revisiting Reliability in Large-Scale Machine Learning Research Clusters
von: Kokolis, Apostolos, et al.
Veröffentlicht: (2024)

Unlearning during Learning: An Efficient Federated Machine Unlearning Method
von: Gu, Hanlin, et al.
Veröffentlicht: (2024)

Machine Learning-Based Research on the Adaptability of Adolescents to Online Education
von: Wang, Mingwei, et al.
Veröffentlicht: (2024)

SERFLOW: A Cross-Service Cost Optimization Framework for SLO-Aware Dynamic ML Inference
von: Zhang, Zongshun, et al.
Veröffentlicht: (2025)

A Machine Learning Approach Towards Runtime Optimisation of Matrix Multiplication
von: Xia, Yufan, et al.
Veröffentlicht: (2026)

TACOS: Topology-Aware Collective Algorithm Synthesizer for Distributed Machine Learning
von: Won, William, et al.
Veröffentlicht: (2023)

A Bring-Your-Own-Model Approach for ML-Driven Storage Placement in Warehouse-Scale Computers
von: Yang, Chenxi, et al.
Veröffentlicht: (2025)

Efficient Distributed Learning over Decentralized Networks with Convoluted Support Vector Machine
von: Chen, Canyi, et al.
Veröffentlicht: (2025)

Machine Learning-driven Multiscale MD Workflows: The Mini-MuMMI Experience
von: Pottier, Loïc, et al.
Veröffentlicht: (2025)

MinatoLoader: Accelerating Machine Learning Training Through Efficient Data Preprocessing
von: Nouaji, Rahma, et al.
Veröffentlicht: (2025)

Breaking the Training Barrier of Billion-Parameter Universal Machine Learning Interatomic Potentials
von: Zhou, Yuanchang, et al.
Veröffentlicht: (2026)

Adaptive Resolution Inference (ARI): Energy-Efficient Machine Learning for Internet of Things
von: Wang, Ziheng, et al.
Veröffentlicht: (2024)

Optimizing Performance on Trinity Utilizing Machine Learning, Proxy Applications and Scheduling Priorities
von: Romero, Phil
Veröffentlicht: (2024)

Detecting Rug Pulls in Decentralized Exchanges: Machine Learning Evidence from the TON Blockchain
von: Yaremus, Dmitry, et al.
Veröffentlicht: (2025)

Stress Monitoring in Healthcare: An Ensemble Machine Learning Framework Using Wearable Sensor Data
von: Sinhal, Arpana, et al.
Veröffentlicht: (2025)

StraightLine: An End-to-End Resource-Aware Scheduler for Machine Learning Application Requests
von: Ching, Cheng-Wei, et al.
Veröffentlicht: (2024)