介绍了基于超伽马空间表示的图形学习的前沿技术，并重点介绍了超伽马浅层模型和超伽马神经网络技术以及其组件变体的技术细节，同时讨论了超伽马几何图形表示学习的进阶主题。

Nov, 2022

该研究的主要目的是学习图结构数据，提出了一种基于黎曼流形的新型图神经网络架构，并开发了一种可扩展的算法来模拟图的结构特性，并比较欧几里得和双曲几何。在实验中，我们证明了双曲 GNNs 在各种基准数据集上可以带来实质性的改进。

Oct, 2019

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

本文介绍了超半径神经网络的模型以及各个组成部分，探究了其在超几何空间的深度学习方法、机器学习任务上的应用，提出了未来研究方向。

Jan, 2021

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

本文提出了第一个归纳式的超几何图卷积神经网络 (HGCN)，它利用了超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的归纳式节点表示，并说明了如何将欧几里得输入特征转换为具有不同可训练曲率的超几何嵌入。 实验证明，HGCN 学习到的嵌入保留了分层结构，并且与欧几里得模型相比，即使具有非常低的维度嵌入，也能获得更好的性能：在链路预测中，ROC AUC 误差降低最多为 63.1％，在节点分类中，F1 score 提高最多为 47.5％，也改善了 Pubmed 数据集的最新技术水平。

Oct, 2019

本文首次尝试在双曲空间中使用带有注意机制的图神经网络，采用 gyrovector 空间将图中特征进行转换，并提出了基于双曲近似的注意机制来聚合特征。通过实验，与其他最先进的基准方法进行比较，证明了我们提出的超曲线图注意力网络模型的性能。

Dec, 2019

通过在超宇宙中学习神经嵌入，可以在图结构数据中提高特征表达的性能，我们的实验证明了在自然几何形态下嵌入图可以显著提高多个实际数据集的性能。

May, 2017

本文提出了在超几何空间学习动态图形表示的方法，并引入了基于理论的时间编码方法的 Temporal GNN 用于建模动态性，设计了基于 HVGNN 的超几何图像变分自编码器用于生成具有随机性质的节点表征，此外还引入了超几何正态分布的可重参数采样算法，用于使 HVGNN 具有梯度优化能力，并在现实数据集上的实验中取得了优于现有基线的效果。

Apr, 2021

本研究探索图形拓扑的离散曲率和嵌入空间的连续全局曲率的属性，提出了一种基于超边曲率感知的图神经网络（HCGNN），该网络利用离散曲率引导周围消息传递，并同时自适应调整连续曲率。在节点分类和链接预测任务上进行了广泛的实验，结果表明所提出的方法在高超曲线图数据和低超曲线图数据中均优于各种竞争模型。案例研究进一步证明了离散曲率在发现本地集群和缓解超曲线几何引起的畸变方面的有效性。

Dec, 2022