138 artigos
Este artigo apresenta uma revisão sistemática do Aprendizado Federado Descentralizado (DFL) de 2018 a 2026, organizando os métodos em famílias arquitetônicas, propondo uma taxonomia baseada em desafios, analisando práticas de avaliação e delineando direções futuras para pesquisas em segurança, privacidade e incentivos em ambientes descentralizados.
Este artigo apresenta um framework baseado em aprendizado profundo que combina a descoberta de coordenadas e mapas de fluxo para criar uma abordagem de avanço temporal precisa e computacionalmente eficiente, capaz de simular sistemas multiescala complexos com alta acurácia e menor custo computacional.
O artigo apresenta o SPDL, uma biblioteca de código aberto e agnóstica a frameworks que otimiza o carregamento de dados para GPU, superando o gargalo do GIL do Python para atingir um desempenho 74% superior ao do DataLoader do PyTorch no ImageNet e benefícios adicionais com o Python 3.13t de thread livre.
Esta tese de doutoramento apresenta métodos inovadores e economicamente eficientes para avaliar e melhorar a confiabilidade de aceleradores de hardware de redes neurais profundas, incluindo uma revisão sistemática da literatura, novas ferramentas analíticas e uma técnica de aprimoramento em tempo real chamada AdAM que equilibra eficiência computacional e tolerância a falhas.
O artigo apresenta o ARKV, um framework leve e adaptativo que gerencia dinamicamente o cache KV em modelos de linguagem grandes sob orçamentos de memória restritos, alocando diferentes níveis de precisão aos tokens com base na importância e nas dinâmicas de atenção para reduzir o uso de memória em quatro vezes enquanto mantém a precisão em tarefas de contexto longo.
O artigo apresenta o RSH-SpMM, um framework híbrido de multiplicação de matriz esparsa por matriz densa (SpMM) para GPUs que utiliza particionamento adaptativo de linhas e uma representação RS-Tile para otimizar o uso dos Tensor Cores e manter alto desempenho em matrizes com esparsidade altamente irregular, superando as soluções existentes com acelerações de 1,27x a 6,13x.
Este artigo apresenta uma revisão sistemática e avaliação de desempenho de técnicas de Aprendizado Federado em ambientes de computação de borda, analisando algoritmos líderes em métricas como precisão e eficiência energética para identificar lacunas e propor uma agenda de pesquisa futura.
Este trabalho apresenta a arquitetura Auralink SDC, que utiliza agentes de IA especializados implantados na borda para gerenciar autonomamente a infraestrutura de carregamento de veículos elétricos, alcançando 78% de resolução automática de incidentes e baixa latência ao superar as limitações das soluções baseadas em nuvem.
Este artigo apresenta um framework de compressão para Computação de Reservatório que utiliza um mecanismo de poda baseado em sensibilidade para otimizar o equilíbrio entre precisão do modelo e eficiência de hardware em implementações FPGA, demonstrando reduções significativas no consumo de energia e recursos sem degradação perceptível da acurácia.
O artigo apresenta o Kareto, um otimizador que utiliza poda guiada por retornos decrescentes e ajuste adaptativo para gerenciar dinamicamente a configuração de armazenamento em camadas do cache KV em serviços de LLM, permitindo identificar configurações na fronteira de Pareto que melhoram significativamente o throughput, reduzem a latência ou diminuem os custos em comparação com estratégias estáticas.
O artigo apresenta o Zipage, um motor de inferência de LLM que utiliza a técnica Compressed PagedAttention para superar gargalos de memória e permitir alta concorrência em tarefas de raciocínio, alcançando mais de 2,1 vezes de aceleração com apenas 5% de perda de desempenho em relação à abordagem de KV cache completo.
Este artigo propõe a extensão do gerador de código C ACETONE, originalmente limitado a sequências, para arquiteturas multicore, definindo formalmente o problema de alocação de processadores e planejando a implementação de heurísticas de agendamento, mecanismos de sincronização e avaliação de tempo de execução no pior caso.
O artigo apresenta o JigsawServe, um novo framework de inferência que otimiza conjuntamente latência, precisão e custos de recursos em GPUs de datacenter para sistemas compostos, alcançando um aumento de 11,3 vezes na demanda atendida em comparação com trabalhos anteriores ao selecionar adaptativamente variantes de modelos e realizar alocação espacial de recursos.
O artigo apresenta o deZent, uma implementação descentralizada de z-anonimato que utiliza estruturas de contagem estocástica e soma segura para coordenar a anonimização de dados em redes de sensores, reduzindo a dependência de uma entidade central e o custo de comunicação sem comprometer a eficiência do sistema.
O artigo propõe o FedLECC, uma estratégia leve e guiada por clusters e perdas para a seleção de clientes em Aprendizado Federado, que melhora a precisão, reduz o número de rodadas de comunicação e diminui a sobrecarga geral em cenários de dados não-IID.
O artigo apresenta o Guardian, um sistema de pipeline multi-LLM que utiliza modelos especializados, um mecanismo de consenso e ajuste fino QLoRA para extrair e processar informações de forma auditável e coordenada, visando otimizar as investigações de pessoas desaparecidas nas primeiras 72 horas críticas.
O artigo introduz a desigualdade , um critério preditivo que revela como a fragmentação de reutilização de memória e a redução do espaço para o cache KV penalizam estruturalmente os modelos Mixture-of-Experts (MoE) durante a inferência de longo contexto, tornando-os frequentemente menos eficientes em throughput do que modelos densos de qualidade equivalente.
O artigo apresenta o Lockbox, uma arquitetura de Confiança Zero projetada para garantir o processamento seguro de cargas de trabalho sensíveis na nuvem, aplicando verificação explícita de confiança, isolamento forte e acesso de menor privilégio para permitir o uso de ferramentas avançadas, como IA, sem comprometer a segurança.
O artigo apresenta o EPIC, um framework de aprendizado de máquina científico distribuído que combina hardware e princípios físicos para reduzir drasticamente a latência e o consumo de energia em tarefas como inversão de onda completa, mantendo ou até melhorando a fidelidade dos dados.
Este artigo demonstra que a integração de núcleos tensoriais FP64 com otimizações de fusão de kernels no MFEM acelera significativamente simulações de elementos finitos de alta ordem em GPUs NVIDIA, alcançando ganhos de desempenho e eficiência energética em escala exascale, com aplicação direta em códigos de produção como o vencedor do Prêmio Gordon Bell de 2025 para previsão de tsunamis.