Buchumschlag

CFL: On the Use of Characteristic Function Loss for Domain Alignment in Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Almansour, Abdullah, Tonguz, Ozan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Using Kolmogorov-Smirnov Distance for Measuring Distribution Shift in Machine Learning
von: Tonguz, Ozan K., et al.
Veröffentlicht: (2025)

Edge-Based Speech Transcription and Synthesis for Kinyarwanda and Swahili Languages
von: Mbonimpa, Pacome Simon, et al.
Veröffentlicht: (2025)

Learning Adaptive Distribution Alignment with Neural Characteristic Function for Graph Domain Adaptation
von: Chen, Wei, et al.
Veröffentlicht: (2026)

MoCFL: Mobile Cluster Federated Learning Framework for Highly Dynamic Network
von: Fang, Kai, et al.
Veröffentlicht: (2025)

SPD-CFL: Stepwise Parameter Dropout for Efficient Continual Federated Learning
von: Yang, Yuning, et al.
Veröffentlicht: (2024)

Statistical Properties of the log-cosh Loss Function Used in Machine Learning
von: Saleh, Resve A., et al.
Veröffentlicht: (2022)

On the under-reaching phenomenon in message-passing neural PDE solvers: revisiting the CFL condition
von: Tesan, Lucas, et al.
Veröffentlicht: (2025)

A Principled Loss Function for Direct Language Model Alignment
von: Tan, Yuandong
Veröffentlicht: (2025)

PA-CFL: Privacy-Adaptive Clustered Federated Learning for Transformer-Based Sales Forecasting on Heterogeneous Retail Data
von: Long, Yunbo, et al.
Veröffentlicht: (2025)

DPMM-CFL: Clustered Federated Learning via Dirichlet Process Mixture Model Nonparametric Clustering
von: Jaramillo-Civill, Mariona, et al.
Veröffentlicht: (2025)

LossLens: Diagnostics for Machine Learning through Loss Landscape Visual Analytics
von: Xie, Tiankai, et al.
Veröffentlicht: (2024)

Convex Loss Functions for Support Vector Machines (SVMs) and Neural Networks
von: Portera, Filippo
Veröffentlicht: (2026)

A Semantic-Loss Function Modeling Framework With Task-Oriented Machine Learning Perspectives
von: Nguyen, Ti Ti, et al.
Veröffentlicht: (2025)

Temperature-Free Loss Function for Contrastive Learning
von: Kim, Bum Jun, et al.
Veröffentlicht: (2025)

Quantifying Distribution Shift in Traffic Signal Control with Histogram-Based GEH Distance
von: Taschin, Federico, et al.
Veröffentlicht: (2025)

Privacy-Aware Lifelong Learning
von: Özdenizci, Ozan, et al.
Veröffentlicht: (2025)

DNA Sequence Classification with Compressors
von: Ozan, Şükrü
Veröffentlicht: (2024)

On Robust Cross Domain Alignment
von: Chakrabarty, Anish, et al.
Veröffentlicht: (2024)

Machine-Learning-Based Classification of Radio Frequency Building Loss
von: Tan, Jiayi, et al.
Veröffentlicht: (2026)

On the Hyperparameter Loss Landscapes of Machine Learning Models: An Exploratory Study
von: Huang, Mingyu, et al.
Veröffentlicht: (2023)

Meta-Learning Adaptive Loss Functions
von: Raymond, Christian, et al.
Veröffentlicht: (2023)

ViTaPEs: Visuotactile Position Encodings for Cross-Modal Alignment in Multimodal Transformers
von: Lygerakis, Fotios, et al.
Veröffentlicht: (2025)

Feedforward Controllers from Learned Dynamic Local Model Networks with Application to Excavator Assistance Functions
von: Greiser, Leon, et al.
Veröffentlicht: (2024)

AnyLoss: Transforming Classification Metrics into Loss Functions
von: Han, Doheon, et al.
Veröffentlicht: (2024)

Optimal Learning from Label Proportions with General Loss Functions
von: Applebaum, Lorne, et al.
Veröffentlicht: (2025)

Modeling of Core Loss Based on Machine Learning and Deep Learning
von: He, Junqi, et al.
Veröffentlicht: (2025)

The Central Role of the Loss Function in Reinforcement Learning
von: Wang, Kaiwen, et al.
Veröffentlicht: (2024)

Functional Bilevel Optimization for Machine Learning
von: Petrulionyte, Ieva, et al.
Veröffentlicht: (2024)

Function Trees: Transparent Machine Learning
von: Friedman, Jerome H.
Veröffentlicht: (2024)

A Novel Loss Function-based Support Vector Machine for Binary Classification
von: Li, Yan, et al.
Veröffentlicht: (2024)

Realizable $H$-Consistent and Bayes-Consistent Loss Functions for Learning to Defer
von: Mao, Anqi, et al.
Veröffentlicht: (2024)

Spectral Alignment as Predictor of Loss Explosion in Neural Network Training
von: Qiu, Haiquan, et al.
Veröffentlicht: (2025)

Relation-Aware Slicing in Cross-Domain Alignment
von: Sarkar, Dhruv, et al.
Veröffentlicht: (2025)

Pairwise Alignment Improves Graph Domain Adaptation
von: Liu, Shikun, et al.
Veröffentlicht: (2024)

Treat Different Negatives Differently: Enriching Loss Functions with Domain and Range Constraints for Link Prediction
von: Hubert, Nicolas, et al.
Veröffentlicht: (2023)

Unifying Value Alignment and Assignment in Cross-Domain Offline Reinforcement Learning with Heterogeneous Datasets
von: Qiao, Zhongjian, et al.
Veröffentlicht: (2026)

Unified Alignment Protocol: Making Sense of the Unlabeled Data in New Domains
von: Ahmed, Sabbir, et al.
Veröffentlicht: (2025)

Learning to Evict from Key-Value Cache
von: Moschella, Luca, et al.
Veröffentlicht: (2026)

BOOOM: Loss-Function-Agnostic Black-Box Optimization over Orthonormal Manifolds for Machine Learning and Statistical Inference
von: Kim, Beomchang, et al.
Veröffentlicht: (2026)

An Explainable Pipeline for Machine Learning with Functional Data
von: Goode, Katherine, et al.
Veröffentlicht: (2025)