Buchumschlag

Verifying Computational Graphs in Production-Grade Distributed Machine Learning Frameworks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zulkifli, Kahfi S., Qian, Wenbo, Zhu, Shaowei, Zhou, Yuan, Zhang, Zhen, Lou, Chang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Programming Languages
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AutoPyVerifier: Learning Compact Executable Verifiers for Large Language Model Outputs
von: Pezeshkpour, Pouya, et al.
Veröffentlicht: (2026)

Verified Lifting of Deep learning Operators
von: Zhan, Qi, et al.
Veröffentlicht: (2024)

Faster Verified Explanations for Neural Networks
von: De Palma, Alessandro, et al.
Veröffentlicht: (2025)

DaCe AD: Unifying High-Performance Automatic Differentiation for Machine Learning and Scientific Computing
von: Boudaoud, Afif, et al.
Veröffentlicht: (2025)

A Formally Verified Robustness Certifier for Neural Networks (Extended Version)
von: Tobler, James, et al.
Veröffentlicht: (2025)

ANCORA: Learning to Question via Manifold-Anchored Self-Play for Verifiable Reasoning
von: Yang, Chengcao
Veröffentlicht: (2026)

VerifierQ: Enhancing LLM Test Time Compute with Q-Learning-based Verifiers
von: Qi, Jianing, et al.
Veröffentlicht: (2024)

SEVerA: Verified Synthesis of Self-Evolving Agents
von: Banerjee, Debangshu, et al.
Veröffentlicht: (2026)

DVM: A Bytecode Virtual Machine Approach for Dynamic Tensor Computation
von: Fang, Jingzhi, et al.
Veröffentlicht: (2026)

A Comprehensive Guide to Combining R and Python code for Data Science, Machine Learning and Reinforcement Learning
von: Navarro, Alejandro L. García, et al.
Veröffentlicht: (2024)

Large Language Models Synergize with Automated Machine Learning
von: Xu, Jinglue, et al.
Veröffentlicht: (2024)

Graph-Reward-SQL: Execution-Free Reinforcement Learning for Text-to-SQL via Graph Matching and Stepwise Reward
von: Weng, Han, et al.
Veröffentlicht: (2025)

On the Effectiveness of Machine Learning-based Call Graph Pruning: An Empirical Study
von: Mir, Amir M., et al.
Veröffentlicht: (2024)

Linguacodus: A Synergistic Framework for Transformative Code Generation in Machine Learning Pipelines
von: Trofimova, Ekaterina, et al.
Veröffentlicht: (2024)

The State of Julia for Scientific Machine Learning
von: Berman, Edward, et al.
Veröffentlicht: (2024)

Deep Learning and Machine Learning -- Python Data Structures and Mathematics Fundamental: From Theory to Practice
von: Chen, Silin, et al.
Veröffentlicht: (2024)

FormalProofBench: Can Models Write Graduate Level Math Proofs That Are Formally Verified?
von: Ravi, Nikil, et al.
Veröffentlicht: (2026)

Relax: Composable Abstractions for End-to-End Dynamic Machine Learning
von: Lai, Ruihang, et al.
Veröffentlicht: (2023)

SPLAT: A framework for optimised GPU code-generation for SParse reguLar ATtention
von: Gupta, Ahan, et al.
Veröffentlicht: (2024)

Recursive Function Definitions in Static Dataflow Graphs and their Implementation in TensorFlow
von: Kostopoulou, Kelly, et al.
Veröffentlicht: (2024)

EAGLE-Pangu: Accelerator-Safe Tree Speculative Decoding on Ascend NPUs
von: Han, Chang, et al.
Veröffentlicht: (2026)

Self-Infilling Code Generation
von: Zheng, Lin, et al.
Veröffentlicht: (2023)

NaN-Propagation: A Novel Method for Sparsity Detection in Black-Box Computational Functions
von: Sharpe, Peter
Veröffentlicht: (2025)

depyf: Open the Opaque Box of PyTorch Compiler for Machine Learning Researchers
von: You, Kaichao, et al.
Veröffentlicht: (2024)

MerLin: A Discovery Engine for Photonic and Hybrid Quantum Machine Learning
von: Notton, Cassandre, et al.
Veröffentlicht: (2026)

FuseFlow: A Fusion-Centric Compilation Framework for Sparse Deep Learning on Streaming Dataflow
von: Lacouture, Rubens, et al.
Veröffentlicht: (2025)

PolyBlocks: A Compiler Infrastructure for AI Chips and Programming Frameworks
von: Bondhugula, Uday, et al.
Veröffentlicht: (2026)

QiMeng-Xpiler: Transcompiling Tensor Programs for Deep Learning Systems with a Neural-Symbolic Approach
von: Dong, Shouyang, et al.
Veröffentlicht: (2025)

PassNet: Scaling Large Language Models for Graph Compiler Pass Generation
von: Liu, Yiqun, et al.
Veröffentlicht: (2026)

Learning Minimal Neural Specifications
von: Geng, Chuqin, et al.
Veröffentlicht: (2024)

Agnostics: Learning to Code in Any Programming Language via Reinforcement with a Universal Learning Environment
von: Boruch-Gruszecki, Aleksander, et al.
Veröffentlicht: (2025)

Verifying Chain-of-Thought Reasoning via Its Computational Graph
von: Zhao, Zheng, et al.
Veröffentlicht: (2025)

Learning Structure-Aware Representations of Dependent Types
von: Kogkalidis, Konstantinos, et al.
Veröffentlicht: (2024)

A Deep Learning Model for Predicting Transformation Legality
von: Tiwari, Avani, et al.
Veröffentlicht: (2025)

MultiGPrompt for Multi-Task Pre-Training and Prompting on Graphs
von: Yu, Xingtong, et al.
Veröffentlicht: (2023)

GraphMend: Code Transformations for Fixing Graph Breaks in PyTorch 2
von: Kashmira, Savini, et al.
Veröffentlicht: (2025)

Offline Imitation Learning from Multiple Baselines with Applications to Compiler Optimization
von: Marinov, Teodor V., et al.
Veröffentlicht: (2024)

Integrating Large Language Models and Reinforcement Learning for Non-Linear Reasoning
von: Alon, Yoav, et al.
Veröffentlicht: (2024)

Enhancing the Code Reasoning Capabilities of LLMs via Consistency-based Reinforcement Learning
von: Qin, Zhanyue, et al.
Veröffentlicht: (2026)

CompilerDream: Learning a Compiler World Model for General Code Optimization
von: Deng, Chaoyi, et al.
Veröffentlicht: (2024)