Buchumschlag

CUDA-L1: Improving CUDA Optimization via Contrastive Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Xiaoya, Sun, Xiaofei, Wang, Albert, Li, Jiwei, Shum, Chris
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Artificial Intelligence 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

CudaForge: An Agent Framework with Hardware Feedback for CUDA Kernel Optimization
von: Zhang, Zijian, et al.
Veröffentlicht: (2025)

Tutoring LLM into a Better CUDA Optimizer
von: Brabec, Matyáš, et al.
Veröffentlicht: (2025)

CUDA-L2: Surpassing cuBLAS Performance for Matrix Multiplication through Reinforcement Learning
von: Su, Songqiao, et al.
Veröffentlicht: (2025)

OptiML: An End-to-End Framework for Program Synthesis and CUDA Kernel Optimization
von: Bhattacharjee, Arijit, et al.
Veröffentlicht: (2026)

cuConv: A CUDA Implementation of Convolution for CNN Inference
von: Jordà, Marc, et al.
Veröffentlicht: (2021)

HPCTransCompile: An AI Compiler Generated Dataset for High-Performance CUDA Transpilation and LLM Preliminary Exploration
von: Lv, Jiaqi, et al.
Veröffentlicht: (2025)

CA-AC-MPC: CUDA-Accelerated Actor-Critic Model Predictive Control
von: Buo, Antoonio, et al.
Veröffentlicht: (2026)

Foundry: Template-Based CUDA Graph Context Materialization for Fast LLM Serving Cold Start
von: Liu, Xueshen, et al.
Veröffentlicht: (2026)

Debunking the CUDA Myth Towards GPU-based AI Systems
von: Lee, Yunjae, et al.
Veröffentlicht: (2024)

Research on Edge Computing and Cloud Collaborative Resource Scheduling Optimization Based on Deep Reinforcement Learning
von: Wang, Yuqing, et al.
Veröffentlicht: (2025)

Multimodal Federated Learning with Missing Modality via Prototype Mask and Contrast
von: Bao, Guangyin, et al.
Veröffentlicht: (2023)

PipeOffload: Improving Scalability of Pipeline Parallelism with Memory Optimization
von: Wan, Xinyi, et al.
Veröffentlicht: (2025)

Beyond Aggregation: Guiding Clients in Heterogeneous Federated Learning
von: Wang, Zijian, et al.
Veröffentlicht: (2025)

EdgeRL: Reinforcement Learning-driven Deep Learning Model Inference Optimization at Edge
von: Mounesan, Motahare, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning for Optimizing Energy Consumption in Smart Grid Systems
von: Alsheikhi, Abeer, et al.
Veröffentlicht: (2026)

Interpretable Modeling of Deep Reinforcement Learning Driven Scheduling
von: Li, Boyang, et al.
Veröffentlicht: (2024)

Intelligent Resource Allocation Optimization for Cloud Computing via Machine Learning
von: Wang, Yuqing, et al.
Veröffentlicht: (2025)

VUDA: Breaking CUDA-Vulkan Isolation for Spatial Sharing of Compute and Graphics on the Same GPU
von: Xu, Bin, et al.
Veröffentlicht: (2026)

RLinf: Flexible and Efficient Large-scale Reinforcement Learning via Macro-to-Micro Flow Transformation
von: Yu, Chao, et al.
Veröffentlicht: (2025)

Acceleration for Deep Reinforcement Learning using Parallel and Distributed Computing: A Survey
von: Liu, Zhihong, et al.
Veröffentlicht: (2024)

Enhancing Kubernetes Automated Scheduling with Deep Learning and Reinforcement Techniques for Large-Scale Cloud Computing Optimization
von: Xu, Zheng, et al.
Veröffentlicht: (2024)

Global and Local Prompts Cooperation via Optimal Transport for Federated Learning
von: Li, Hongxia, et al.
Veröffentlicht: (2024)

Online Parallel Multi-Task Relationship Learning via Alternating Direction Method of Multipliers
von: Li, Ruiyu, et al.
Veröffentlicht: (2024)

Parallel Gaussian process with kernel approximation in CUDA
von: Carminati, Davide
Veröffentlicht: (2024)

Learn How to Query from Unlabeled Data Streams in Federated Learning
von: Sun, Yuchang, et al.
Veröffentlicht: (2024)

FedCGD: Collective Gradient Divergence Optimized Scheduling for Wireless Federated Learning
von: Chen, Tan, et al.
Veröffentlicht: (2025)

SRL: Scaling Distributed Reinforcement Learning to Over Ten Thousand Cores
von: Mei, Zhiyu, et al.
Veröffentlicht: (2023)

ARL-Tangram: Unleash the Resource Efficiency in Agentic Reinforcement Learning
von: Xiao, Bangjun, et al.
Veröffentlicht: (2026)

Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization
von: Li, Yang, et al.
Veröffentlicht: (2025)

Gradient Correction in Federated Learning with Adaptive Optimization
von: Chen, Evan, et al.
Veröffentlicht: (2025)

Loss- and Reward-Weighting for Efficient Distributed Reinforcement Learning
von: Holen, Martin, et al.
Veröffentlicht: (2023)

Deep Reinforcement Learning for System-on-Chip: Myths and Realities
von: Sung, Tegg Taekyong, et al.
Veröffentlicht: (2022)

A Fast and Flat Federated Learning Method via Weighted Momentum and Sharpness-Aware Minimization
von: Li, Tianle, et al.
Veröffentlicht: (2025)

Deploying Atmospheric and Oceanic AI Models on Chinese Hardware and Framework: Migration Strategies, Performance Optimization and Analysis
von: Sun, Yuze, et al.
Veröffentlicht: (2025)

CoLLM: Continuous Adaptation for SLO-Aware LLM Serving on Shared GPU Clusters
von: Huang, Shaoyuan, et al.
Veröffentlicht: (2026)

FedAA: A Reinforcement Learning Perspective on Adaptive Aggregation for Fair and Robust Federated Learning
von: He, Jialuo, et al.
Veröffentlicht: (2024)

Variational Bayes for Federated Continual Learning
von: Yao, Dezhong, et al.
Veröffentlicht: (2024)

FedImpro: Measuring and Improving Client Update in Federated Learning
von: Tang, Zhenheng, et al.
Veröffentlicht: (2024)

An Advanced Reinforcement Learning Framework for Online Scheduling of Deferrable Workloads in Cloud Computing
von: Dong, Hang, et al.
Veröffentlicht: (2024)

Adaptive Approach to Enhance Machine Learning Scheduling Algorithms During Runtime Using Reinforcement Learning in Metascheduling Applications
von: Alshaer, Samer, et al.
Veröffentlicht: (2025)