C-MemMAP: clustering-driven compact, adaptable, and generalizable meta-LSTM models for memory access prediction

Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/10923/18182

Tipo:	Article
Título:	C-MemMAP: clustering-driven compact, adaptable, and generalizable meta-LSTM models for memory access prediction
Autor(es):	Pengmiao Zhang Ajitesh Srivastava Ta-Yang Wang Cesar Augusto Fonticielha De Rose Rajgopal Kannan Viktor K. Prasanna
En:	International Journal of Data Science and Analytics
Fecha de Publicación:	2021
Primera página:	1
Última página:	10
Palabras clave:	Gerência de recursos em máquinas paralelas Escalonamento de Recursos Inteligência Artificial (IA)
URI:	https://hdl.handle.net/10923/18182
DOI:	DOI:10.1007/s41060-021-00268-y
ISSN:	2364-415X
Aparece en las colecciones:	Artigo de Periódico

Ficheros en este ítem:

Fichero	Descripción	Tamaño	Formato
CMemMAP_clusteringdriven_compact_adaptable_and_generalizable_metaLSTM_models_for_memory_access_prediction.pdf		5,22 MB	Adobe PDF	Abrir Ver