PulseAugur
实时 19:58:54
None Accelerating Divisible Load Processing Through Machine Learning: A Practical Framework for Large-Scale Workloads

机器学习框架加速分布式计算负载处理

研究人员开发了一个机器学习框架,利用可分负载理论(DLT)来优化分布式计算系统中的处理时间。他们训练了10万个配置的前馈神经网络,在预测最佳处理时间方面达到了97-99%的准确率,其性能比传统的DLT计算快10-100倍。这种方法为实时调度和云资源分配等应用提供了显著的加速。 AI

影响 加速分布式计算优化,通过显著的加速实现实时调度和云资源分配。

排序理由 详细介绍用于分布式计算优化的新型机器学习框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 · Bharadwaj Veeravalli ·

    Accelerating Divisible Load Processing Through Machine Learning: A Practical Framework for Large-Scale Workloads

    arXiv:2605.23247v1 Announce Type: new Abstract: In this paper, we introduce the first machine learning framework for predicting optimal processing times in Single-Level Tree Network (SLTN) architectures for the Divisible Load Theory (DLT) paradigm. Using a feedforward neural netw…