Buchumschlag

A Methodology to Assess Power Modeling in Energy-Aware Federated Learning on Heterogeneous Mobile Devices

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jallouli, Chaimae, Boubouh, Karim, Basmadjian, Robert
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Distributed, Parallel, and Cluster Computing Machine Learning Performance C.4; D.4.8
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Trident: Adaptive Scheduling for Heterogeneous Multimodal Data Pipelines
von: Pan, Ding, et al.
Veröffentlicht: (2026)

Cost-Aware Logging: Measuring the Financial Impact of Excessive Log Retention in Small-Scale Cloud Deployments
von: Putra, Jody Almaida
Veröffentlicht: (2026)

SLO-Guard: Crash-Aware, Budget-Consistent Autotuning for SLO-Constrained LLM Serving
von: Lysenstøen, Christian
Veröffentlicht: (2026)

The High Cost of Keeping Warm: Characterizing Overhead in Serverless Autoscaling Policies
von: Kondrashov, Leonid, et al.
Veröffentlicht: (2025)

eScope: A Fine-Grained Power Prediction Mechanism for Mobile Applications
von: Mukherjee, Dipayan, et al.
Veröffentlicht: (2024)

Sky$^ε$-Tree: Embracing the Batch Updates of B$^ε$-trees through Access Port Parallelism on Skyrmion Racetrack Memory
von: Tsai, Yu-Shiang, et al.
Veröffentlicht: (2024)

Next-Generation Event-Driven Architectures: Performance, Scalability, and Intelligent Orchestration Across Messaging Frameworks
von: Arafat, Jahidul, et al.
Veröffentlicht: (2025)

Optimizing Multi-DNN Inference on Mobile Devices through Heterogeneous Processor Co-Execution
von: Gao, Yunquan, et al.
Veröffentlicht: (2025)

Unlocking Python's Cores: Hardware Usage and Energy Implications of Removing the GIL
von: Salazar, José Daniel Montoya
Veröffentlicht: (2026)

FastDecode: High-Throughput GPU-Efficient LLM Serving using Heterogeneous Pipelines
von: He, Jiaao, et al.
Veröffentlicht: (2024)

Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the Ugly
von: Woisetschläger, Herbert, et al.
Veröffentlicht: (2023)

Decomposing Docker Container Startup Performance: A Three-Tier Measurement Study on Heterogeneous Infrastructure
von: Khan, Shamsher
Veröffentlicht: (2026)

Big Data Workload Profiling for Energy-Aware Cloud Resource Management
von: Parikh, Milan, et al.
Veröffentlicht: (2026)

Serverless Cold Starts and Where to Find Them
von: Joosen, Artjom, et al.
Veröffentlicht: (2024)

Comprehensive Plugin-Based Monitoring of Nexflow Workflow Executions
von: Kharma, Sami, et al.
Veröffentlicht: (2026)

TurboMem: High-Performance Lock-Free Memory Pool with Transparent Huge Page Auto-Merging for DPDK
von: Yang, Junyi
Veröffentlicht: (2026)

WISP: Waste- and Interference-Suppressed Distributed Speculative LLM Serving at the Edge via Dynamic Drafting and SLO-Aware Batching
von: Li, Xiangchen, et al.
Veröffentlicht: (2026)

GridPilot: Real-Time Grid-Responsive Control for AI Supercomputers
von: Constantinescu, Denisa-Andreea, et al.
Veröffentlicht: (2026)

Efficient Construction of Large Search Spaces for Auto-Tuning
von: Willemsen, Floris-Jan, et al.
Veröffentlicht: (2025)

LLAMP: Assessing Network Latency Tolerance of HPC Applications with Linear Programming
von: Shen, Siyuan, et al.
Veröffentlicht: (2024)

ConfigSpec: Profiling-Based Configuration Selection for Distributed Edge--Cloud Speculative LLM Serving
von: Li, Xiangchen, et al.
Veröffentlicht: (2026)

How Can We Train Deep Learning Models Across Clouds and Continents? An Experimental Study
von: Erben, Alexander, et al.
Veröffentlicht: (2023)

Serving LLMs in HPC Clusters: A Comparative Study of Qualcomm Cloud AI 100 Ultra and NVIDIA Data Center GPUs
von: Sada, Mohammad Firas, et al.
Veröffentlicht: (2025)

NBI-Slurm: Simplified submission of Slurm jobs with energy saving mode
von: Telatin, Andrea
Veröffentlicht: (2026)

Scheduling the Unschedulable: Taming Black-Box LLM Inference at Scale
von: Yuan, Renzhong, et al.
Veröffentlicht: (2026)

GREEN-CODE: Learning to Optimize Energy Efficiency in LLM-based Code Generation
von: Ilager, Shashikant, et al.
Veröffentlicht: (2025)

Heterogeneous Model Fusion for Privacy-Aware Multi-Camera Surveillance via Synthetic Domain Adaptation
von: Lu, Peggy Joy, et al.
Veröffentlicht: (2026)

Intent-driven scheduling of backup jobs
von: Dutta, Souvik, et al.
Veröffentlicht: (2024)

Work-Efficient Parallel Non-Maximum Suppression Kernels
von: Oro, David, et al.
Veröffentlicht: (2025)

FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems
von: Woisetschläger, Herbert, et al.
Veröffentlicht: (2023)

Operational Memory Architecture for Kubernetes:Preserving Causal Context Across the Evidence Horizon
von: Khan, Shamsher
Veröffentlicht: (2026)

Chameleon: Adaptive Caching and Scheduling for Many-Adapter LLM Inference Environments
von: Iliakopoulou, Nikoleta, et al.
Veröffentlicht: (2024)

Rank-Aware Resource Scheduling for Tightly-Coupled MPI Workloads on Kubernetes
von: Xie, Tianfang
Veröffentlicht: (2026)

Vertical Federated Image Segmentation
von: Mandal, Paul K., et al.
Veröffentlicht: (2024)

Horizontal Federated Computer Vision
von: Mandal, Paul K., et al.
Veröffentlicht: (2023)

A Treasure Trove of Performance: Analyzing the IO500 Submission Data
von: Kunkel, Julian, et al.
Veröffentlicht: (2026)

Application-Driven Exascale: The JUPITER Benchmark Suite
von: Herten, Andreas, et al.
Veröffentlicht: (2024)

JASDA: Introducing Job-Aware Scheduling in Scheduler-Driven Job Atomization
von: Konopa, Michal, et al.
Veröffentlicht: (2025)

Analysis of Design Patterns and Benchmark Practices in Apache Kafka Event-Streaming Systems
von: Mohammad, Muzeeb
Veröffentlicht: (2025)

Predictive Multi-Tier Memory Management for KV Cache in Large-Scale GPU Inference
von: Ganjihal, Sanjeev Rao
Veröffentlicht: (2026)