本研究使用新的超几何嵌入方法学习文本数据中的词和句的嵌入，这些嵌入似乎编码了层次结构的某些直觉概念，然而，由于隐含的连续层次结构，这种模型更难以研究其学习层次结构的内部机制。

Jun, 2018

利用 Poincare 球来嵌入句子，证明了超几何空间可以用于解决文本蕴含问题。使用四个数据集评估并与多个基准模型比较，结果表明我们在 SICK 数据集上表现最好，在 SNLI 数据集的蕴含任务的二分类版本中仅次于 Order Embeddings。

Jun, 2024

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

本文介绍了一种在超几何空间中学习自由文本词嵌入的算法，并使用基于超几何距离的目标函数在 word2vec 的 skip-gram 负采样架构中进行。实验结果表明在超几何空间低维度中，超几何词嵌入具有潜在优势，但在一些方面和欧几里得词嵌入没有绝对的优势。具体分析了在曲率空间中类比分析任务的些微差别。

Aug, 2018

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

我们提出了 MERU，这是一种对图像和文本进行对比训练的模型，可以生成超几何表示。与当前的视觉语言模型相比，MERU 可以更好地捕获图像和文本之间的层次结构关系。我们的实验结果表明，MERU 可以同时兼顾分类和检索任务的性能，同时提供高度可解释性的表示空间。

Apr, 2023

本文提出了一种新方法， 结合了双曲嵌入与 Hearst 模式，用于从大型文本语料库中推断概念层次结构和 is-a 关系。实验表明，该方法在多个基准测试中取得了最先进的性能。

Feb, 2019

本文研究了采用双曲嵌入表示大型实体类型库中的层次信息，以捕捉上下文中提及和目标类型之间的层次关系，从而提高实体类型命名性能。研究表明，双曲模型在不同的技术和数据集上表现出提高的效果，但在技术代码和数据集细节方面的差异也存在影响。

Jun, 2019

本研究介绍了一种基于超几何决策树算法的新方法 hyperDT，通过在超几何空间中利用内积来使得决策树算法适用于超几何空间，从而消除了计算密集型的 Riemannian 优化和数值不稳定的指数对数映射。我们的方法简单易懂，决策复杂度恒定，同时减轻了高维欧几里得空间中固有的可扩展性问题。在此基础上，我们提出了一个超几何随机森林模型 hyperRF，通过在多样化数据集上进行广泛比较，验证了这些模型的优越性能，为超几何数据分析提供了一个快速、精确、准确和易于使用的工具。

Oct, 2023