Buchumschlag

OpenFLAME: Federated Visual Positioning System to Enable Large-Scale Augmented Reality Applications

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bharadwaj, Sagar, Williams, Harrison, Wang, Luke, Liang, Michael, Jin, Tao, Seshan, Srinivasan, Rowe, Anthony
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Distributed, Parallel, and Cluster Computing Robotics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

OpenFLAME: A Federated Spatial Naming Infrastructure
von: Bharadwaj, Sagar, et al.
Veröffentlicht: (2024)

Uniting the World by Dividing it: Federated Maps to Enable Spatial Applications
von: Bharadwaj, Sagar, et al.
Veröffentlicht: (2025)

FLAME: A Serving System Optimized for Large-Scale Generative Recommendation with Efficiency
von: Guo, Xianwen, et al.
Veröffentlicht: (2025)

Dynamic Detection of Inefficient Data Mapping Patterns in Heterogeneous OpenMP Applications
von: Marzen, Luke, et al.
Veröffentlicht: (2026)

Scaling MPI Applications on Aurora
von: Ibeid, Huda, et al.
Veröffentlicht: (2025)

Static Generation of Efficient OpenMP Offload Data Mappings
von: Marzen, Luke, et al.
Veröffentlicht: (2024)

Scaling on Frontier: Uncertainty Quantification Workflow Applications using ExaWorks to Enable Full System Utilization
von: Titov, Mikhail, et al.
Veröffentlicht: (2024)

Toward Co-adapting Machine Learning Job Shape and Cluster Topology
von: Chen, Shawn Shuoshuo, et al.
Veröffentlicht: (2025)

Open Science Data Federation -- operation and monitoring
von: Andrijauskas, Fabio, et al.
Veröffentlicht: (2026)

A Multi-Port Concurrent Communication Model for handling Compute Intensive Tasks on Distributed Satellite System Constellations
von: Veeravalli, Bharadwaj
Veröffentlicht: (2026)

Host-Side Telemetry for Performance Diagnosis in Cloud and HPC GPU Infrastructure
von: Darzi, Erfan, et al.
Veröffentlicht: (2025)

λScale: Enabling Fast Scaling for Serverless Large Language Model Inference
von: Yu, Minchen, et al.
Veröffentlicht: (2025)

Predictable LLM Serving on GPU Clusters
von: Darzi, Erfan, et al.
Veröffentlicht: (2025)

FedCostAware: Enabling Cost-Aware Federated Learning on the Cloud
von: Sinha, Aditya, et al.
Veröffentlicht: (2025)

Enabling an OpenStack-based cloud on top of RISC-V hardware
von: Marrón, Diego, et al.
Veröffentlicht: (2024)

ECCO: Leveraging Cross-Camera Correlations for Efficient Live Video Continuous Learning
von: He, Yuze, et al.
Veröffentlicht: (2025)

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

Zero-Execution Retrieval-Augmented Configuration Tuning of Spark Applications
von: Suri, Raunaq, et al.
Veröffentlicht: (2025)

Bridging Memory Gaps: Scaling Federated Learning for Heterogeneous Clients
von: Wu, Yebo, et al.
Veröffentlicht: (2024)

StatuScale: Status-aware and Elastic Scaling Strategy for Microservice Applications
von: Wen, Linfeng, et al.
Veröffentlicht: (2024)

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

AIGC-assisted Federated Learning for Vehicular Edge Intelligence: Vehicle Selection, Resource Allocation and Model Augmentation
von: Qiang, Xianke, et al.
Veröffentlicht: (2025)

Large-Scale Metric Computation in Online Controlled Experiment Platform
von: Xiong, Tao, et al.
Veröffentlicht: (2024)

Large Scale Multi-GPU Based Parallel Traffic Simulation for Accelerated Traffic Assignment and Propagation
von: Jiang, Xuan, et al.
Veröffentlicht: (2024)

TrustMesh: A Blockchain-Enabled Trusted Distributed Computing Framework for Open Heterogeneous IoT Environments
von: Rangwala, Murtaza, et al.
Veröffentlicht: (2024)

Resource-Aware Task Allocator Design: Insights and Recommendations for Distributed Satellite Constellations
von: Veeravalli, Bharadwaj
Veröffentlicht: (2026)

Offline Energy-Optimal LLM Serving: Workload-Based Energy Models for LLM Inference on Heterogeneous Systems
von: Wilkins, Grant, et al.
Veröffentlicht: (2024)

Federated Single Sign-On and Zero Trust Co-design for AI and HPC Digital Research Infrastructures
von: Alam, Sadaf R., et al.
Veröffentlicht: (2024)

DiT-HC: Enabling Efficient Training of Visual Generation Model DiT on HPC-oriented CPU Cluster
von: Zhang, Jinxiao, et al.
Veröffentlicht: (2026)

Understanding Large-Scale HPC System Behavior Through Cluster-Based Visual Analytics
von: Austin, Allison, et al.
Veröffentlicht: (2026)

Resource Allocation of Industry 4.0 Micro-Service Applications across Serverless Fog Federation
von: Hussain, Razin Farhan, et al.
Veröffentlicht: (2024)

Federated Unlearning in Edge Networks: A Survey of Fundamentals, Challenges, Practical Applications and Future Directions
von: Ng, Jer Shyuan, et al.
Veröffentlicht: (2026)

CoEdge-RAG: Optimizing Hierarchical Scheduling for Retrieval-Augmented LLMs in Collaborative Edge Computing
von: Hong, Guihang, et al.
Veröffentlicht: (2025)

A DataOps Toolbox Enabling Continuous Semantic Integration of Devices for Edge-Cloud AI Applications
von: Scrocca, Mario, et al.
Veröffentlicht: (2025)

PVU: Design and Implementation of a Posit Vector Arithmetic Unit (PVU) for Enhanced Floating-Point Computing in Edge and AI Applications
von: Wu, Xinyu, et al.
Veröffentlicht: (2025)

A Knowledge Distillation-empowered Adaptive Federated Reinforcement Learning Framework for Multi-Domain IoT Applications Scheduling
von: Wang, Zhiyu, et al.
Veröffentlicht: (2025)

Deep Learning-Enabled Supercritical Flame Simulation at Detailed Chemistry and Real-Fluid Accuracy Towards Trillion-Cell Scale
von: Guo, Zhuoqiang, et al.
Veröffentlicht: (2025)

Heterogeneity-Aware Memory Efficient Federated Learning via Progressive Layer Freezing
von: Yebo, Wu, et al.
Veröffentlicht: (2024)

HGraphScale: Hierarchical Graph Learning for Autoscaling Microservice Applications in Container-based Cloud Computing
von: Fang, Zhengxin, et al.
Veröffentlicht: (2025)

FedCod: An Efficient Communication Protocol for Cross-Silo Federated Learning with Coding
von: Yan, Peishen, et al.
Veröffentlicht: (2024)