Buchumschlag

Hierarchical Online Prompt Mutation with Dual-Loop Feedback for Guardrailed Evidence Document Generation: A Production-Evaluation Case Study

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Morabia, Nataraj Agaram Sundar Tejas
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Distributed, Parallel, and Cluster Computing Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Compliance-Scored Best-of-N Guardrail Orchestration for Multimodal Document Generation in Payments Dispute Defense
von: Sundar, Nataraj Agaram, et al.
Veröffentlicht: (2026)

Caliper-in-the-Loop: Black-Box Optimization for Hyperledger Fabric Performance Tuning
von: Madhwal, Yash, et al.
Veröffentlicht: (2026)

Hierarchical Autoscaling for Large Language Model Serving with Chiron
von: Patke, Archit, et al.
Veröffentlicht: (2025)

Harnessing Deep Learning and HPC Kernels via High-Level Loop and Tensor Abstractions on CPU Architectures
von: Georganas, Evangelos, et al.
Veröffentlicht: (2023)

From Prompts to Performance: Evaluating LLMs for Task-based Parallel Code Generation
von: Bantel, Linus, et al.
Veröffentlicht: (2026)

PipeSpec: Breaking Stage Dependencies in Hierarchical LLM Decoding
von: McDanel, Bradley, et al.
Veröffentlicht: (2025)

Optimizing Data Distribution and Kernel Performance for Efficient Training of Chemistry Foundation Models: A Case Study with MACE
von: Firoz, Jesun, et al.
Veröffentlicht: (2025)

Power- and Fragmentation-aware Online Scheduling for GPU Datacenters
von: Lettich, Francesco, et al.
Veröffentlicht: (2024)

Hardware-Aware Reformulation of Convolutions for Efficient Execution on Specialized AI Hardware: A Case Study on NVIDIA Tensor Cores
von: Bikshandi, Ganesh
Veröffentlicht: (2026)

FedRAV: Hierarchically Federated Region-Learning for Traffic Object Classification of Autonomous Vehicles
von: Zhai, Yijun, et al.
Veröffentlicht: (2024)

Venus: An Efficient Edge Memory-and-Retrieval System for VLM-based Online Video Understanding
von: Ye, Shengyuan, et al.
Veröffentlicht: (2025)

NeurLZ: An Online Neural Learning-Based Method to Enhance Scientific Lossy Compression
von: Jia, Wenqi, et al.
Veröffentlicht: (2024)

DP2FL: Dual Prompt Personalized Federated Learning in Foundation Models
von: Chang, Ying, et al.
Veröffentlicht: (2025)

Dual-Segment Clustering Strategy for Hierarchical Federated Learning in Heterogeneous Wireless Environments
von: Sun, Pengcheng, et al.
Veröffentlicht: (2024)

The Case for Co-Designing Model Architectures with Hardware
von: Anthony, Quentin, et al.
Veröffentlicht: (2024)

AI Benchmarks and Datasets for LLM Evaluation
von: Ivanov, Todor, et al.
Veröffentlicht: (2024)

Identifying and Mitigating Systemic Measurement Bias in Production LLM Inference Benchmarks
von: Chandrasekar, Ashok, et al.
Veröffentlicht: (2026)

D$^{2}$MoE: Dual Routing and Dynamic Scheduling for Efficient On-Device MoE-based LLM Serving
von: Wang, Haodong, et al.
Veröffentlicht: (2025)

Hierarchical Federated Learning for Crop Yield Prediction in Smart Agricultural Production Systems
von: Abouaomar, Anas, et al.
Veröffentlicht: (2025)

An Evaluation of LLMs Inference on Popular Single-board Computers
von: Tung, et al.
Veröffentlicht: (2025)

Evaluating the Efficacy of LLM-Based Reasoning for Multiobjective HPC Job Scheduling
von: Jadhav, Prachi, et al.
Veröffentlicht: (2025)

Benchmarking Federated Learning in Edge Computing Environments: A Systematic Review and Performance Evaluation
von: Aribe Jr., Sales, et al.
Veröffentlicht: (2026)

Distributed LLM Pretraining During Renewable Curtailment Windows: A Feasibility Study
von: Wiesner, Philipp, et al.
Veröffentlicht: (2026)

CloudEval-YAML: A Practical Benchmark for Cloud Configuration Generation
von: Xu, Yifei, et al.
Veröffentlicht: (2023)

StreamWise: Serving Multi-Modal Generation in Real-Time at Scale
von: Qiu, Haoran, et al.
Veröffentlicht: (2026)

DGRAG: Distributed Graph-based Retrieval-Augmented Generation in Edge-Cloud Systems
von: Zhou, Wenqing, et al.
Veröffentlicht: (2025)

ParaGAN: A Scalable Distributed Training Framework for Generative Adversarial Networks
von: Shi, Ziji, et al.
Veröffentlicht: (2024)

Not All Errors Are Equal: A Systematic Study of Error Propagation in Large Language Model Inference
von: Huang, Yafan, et al.
Veröffentlicht: (2026)

Accelerating Long-Tail Generation in Synchronous RLHF Training via Adaptive Tensor Parallelism
von: Zhao, Long, et al.
Veröffentlicht: (2026)

ParaCodex: A Profiling-Guided Autonomous Coding Agent for Reliable Parallel Code Generation and Translation
von: Kaplan, Erel, et al.
Veröffentlicht: (2026)

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

An Upload-Efficient Scheme for Transferring Knowledge From a Server-Side Pre-trained Generator to Clients in Heterogeneous Federated Learning
von: Zhang, Jianqing, et al.
Veröffentlicht: (2024)

Adaptive Graph Pruning with Sudden-Events Evaluation for Traffic Prediction using Online Semi-Decentralized ST-GNNs
von: Kralj, Ivan, et al.
Veröffentlicht: (2025)

VibeCodeHPC: An Agent-Based Iterative Prompting Auto-Tuner for HPC Code Generation Using LLMs
von: Hayashi, Shun-ichiro, et al.
Veröffentlicht: (2025)

DUAL-BLADE: Dual-Path NVMe-Direct KV-Cache Offloading for Edge LLM Inference
von: Jeong, Bodon, et al.
Veröffentlicht: (2026)

Clustered Federated Learning with Hierarchical Knowledge Distillation
von: Ahmad, Sabtain, et al.
Veröffentlicht: (2025)

Performance Evaluation of LLMs in Automated RDF Knowledge Graph Generation
von: Martin, Ioana Ramona, et al.
Veröffentlicht: (2026)

Loop Improvement: An Efficient Approach for Extracting Shared Features from Heterogeneous Data without Central Server
von: Li, Fei, et al.
Veröffentlicht: (2024)

Counting Without Running: Evaluating LLMs' Reasoning About Code Complexity
von: Bolet, Gregory, et al.
Veröffentlicht: (2025)

Federated Hierarchical Clustering with Automatic Selection of Optimal Cluster Numbers
von: Zhang, Yue, et al.
Veröffentlicht: (2026)