在双曲空间中进行大间隔分类
本文针对数据具有分层结构的情况,提出了一个算法,通过对抗性示例注入的方式,有效地学习了一个能够在如下情况下使用的大边际超平面:数据具有分层结构,嵌入到双曲空间的性能不劣,且直接在双曲空间中学习分类器时的维度较低。
Apr, 2020
该论文提出了一种基于 Poincaré ball 模型的统一框架,用于构建可伸缩、简单的超几何线性分类器,并给出了凸优化的解决方案,该算法在合成数据集和真实数据集上的表现均有很高的准确率。
Sep, 2021
通过使用水平面将随机森林推广到双曲空间,使用大边际分类器找到候选分割,再结合子类最低共同祖先和类平衡的大边际损失方法,可以解决多类数据和不平衡实验问题,并且在标准和新的基准测试中表现优于传统随机森林算法和最近双曲分类器。
Aug, 2023
提出了一个全超伽马模型进行多类多标签分类,该模型可以从类别分布中推断出潜在的层次关系,捕获库存中的隐含下义关系,并显示出与最先进的方法相当的细粒度分类性能,具有可观的参数规模缩减。
Oct, 2020
本文介绍了一种基于 Poincaré ball 模型的新型超似曲空间神经网络,该网络构建了多项式逻辑回归、全连接层、卷积层和注意机制,更高效地捕捉数据的分层结构,并在参数效率、稳定性和表现方面优于现有的超似曲组件及欧几里德同类模型。
Jun, 2020
通过将 M"obius gyrovector 空间的形式主义与 Poincarе模型的 Riemannian 几何相结合,我们提出了重要深度学习工具的超几何版本:多项式逻辑回归、前馈和循环神经网络。这样可以在超几何空间中嵌入序列数据并进行分类。实验证明,即使超几何优化工具受限,超几何句子嵌入在文本蕴含和噪声前缀识别任务中的表现要么优于,要么与欧几里得变体相当。
May, 2018
本文通过研究在非欧几里得空间中学习用户和项目表示的概念,探讨了超宇称空间中度量学习和协同过滤之间的联系,旨在通过度量学习方法填补欧几里得和双曲几何之间的差距。作者提出了概念简单但高效的 HyperML(超宇称度量学习)模型,通过一系列广泛的实验,证明了该模型不仅优于欧几里得模型,还实现了多个基准数据集的最佳表现,展示了双曲几何中个性化推荐的有效性。
Sep, 2018