.png){kind=icon}
返回
DART: A State-Aware Online Co-Scheduling Runtime for Data-Parallel Training
.png){kind=icon}
PRE
AI
DOI：10.1016/j.future.2025.108303.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 在运行时协同调度分片、批次大小、加载器工作进程和学习率。
• CKF对系统指标进行去噪，并推断状态条件下的资源重要性。
• 在12种模型-数据集设置中，墙钟训练时间减少了9.70–63.44%。
• 准确率得到保持：验证结果与基线相差不超过0.93个百分点。
• 在12个节点上：相比理想线性扩展，加速比为2.45倍，效率为40.9%。
期刊
F
IF:
0
论文数:
642
被引数:
0
机构
引用论文
Robust Cubature Kalman Filter for Dynamic State Estimation of Synchronous Machines Under Unknown Measurement Noise Statistics未知测量噪声统计下同步电机动态状态估计的鲁棒容积卡尔曼滤波器.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏A fully distributed weight design approach to consensus Kalman filtering for sensor networksAUTOMATICA
AUTOMATICAIF5.9
PREAI
分享收藏Distributed Learning in Wireless Networks: Recent Progress and Future Challenges无线网络中的分布式学习: 最新进展和未来挑战
OAAI
OAAI分享收藏Impact of Thermal Throttling on Long-Term Visual Inference in a CPU-Based Edge DeviceElectronicsOAAI
ElectronicsIF0
OAAI分享收藏PSO-GA-Based Resource Allocation Strategy for Cloud-Based Software Services With Workload-Time WindowsIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Parallel Learning: Overview and Perspective for Computational Learning Across Syn2Real and Sim2Real
PREAI
分享收藏
查看更多内容