在 Poincare 球中高度可扩展且可证明准确的分类
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
通过将符号数据嵌入超载空间（或更确切地说是 n 维庞加莱球）来学习符号数据的分层表示的方法，通过实验证明 Poincare 嵌入在具有潜在层次结构的数据上显着优于欧几里得嵌入，无论是在表示能力还是泛化能力方面。
May, 2017
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
以树型数据和超几何空间为基础，提出了分层学习和分类的新方法，通过使用凸包以及整数数列恢复标签，并使用平衡图分区聚合客户端的数据，以实现在分布式和隐私保护设置下的高准确率分类学习。
Aug, 2023
介绍了一种称为超伪空间支持向量机（hyperbolic SVM）的分类器，其能够在保持超伪几何的前提下准确地分类超伪空间中的数据，并在真实复杂网络和模拟数据集上展示了超伪 SVM 在多类预测任务上的性能优势。
Jun, 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
本文提出了超边界学习的想法，并使用理想原型的概念来定位超边界原型，以避免先前的标签知识，同时通过引入受惩罚的 Busemann 损失来计算原型间的距离。与最近的超球面和超边界原型方法相比，实证结果表明我们的方法提供了自然的分类置信度解释，并取得了更好的表现。
Jun, 2021
研究了使用超几何空间模型学习大型分类体系中的嵌入向量，其中 Lorentz 模型的效率高于 Poincaré-ball 模型，并发现该方法可以应用于发现公司组织结构和语言家族之间的历史关系。
Jun, 2018
在机器学习中，通过保留相关网络属性的低维嵌入学习图表示是一类重要的问题。本文提出了一种嵌入有向无环图的新方法，使用证明能够更好地模拟树状结构的双曲空间，并使用一组嵌套的测地凸锥来定义分层关系，并证明这些蕴含锥体在欧几里得和双曲空间中均具有一种优化的形式，而且它们可以规范地定义嵌入学习过程。实验显示，我们的方法在表示能力和泛化方面都比最近的强有力的基线有显着的改进。
Apr, 2018