本研究表明，对于许多实际场景，使用双曲嵌入提供了更好的选择，而欧几里得和球面嵌入则主导着计算机视觉任务，如图像分类、图像检索和少样本学习。
Apr, 2019
本文介绍超几何学习在计算机视觉中的应用，并提出了三个主要的研究主题，包括超几何学习的实现、已有研究中的关键问题以及相关领域的未来方向。
May, 2023
本文研究使用超几何流形来进行自监督学习中的原型聚类。作者扩展了遮蔽孪生网络以操作包含理想边界的超几何空间，并利用超几何投影来确保下游任务的表示保持超几何性。实验证明这种方法在极少样本学习任务中具有改进，并在低维线性评估任务中与欧几里得方法相当。
本文是第一篇也是目前最全面的关于超几何空间在计算机视觉应用领域的文献综述，讨论了超几何空间背景、算法及其在图像分类等视觉数据处理中的应用，并对未来研究方向进行了探讨。
Apr, 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
本文提出了一种名为 “超宾说外显”（HIE）的方法，通过使用节点到原点的超宾距离（即超宾范数）推导出的无成本分层信息来改进现有的超宾表示方法，并在各种模型和不同任务上的广泛实验中展示了该方法的多功能性和适应性。
Jun, 2023
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
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
最近在表示学习方面的研究表明，分层数据在双曲空间中能产生低维度和高信息量的表示。然而，即使双曲嵌入在图像识别方面引起了人们的关注，其优化过程容易遇到数值障碍。此外，与传统的欧几里德特征相比，目前尚不清楚哪些应用最能受益于双曲性所施加的隐式偏差。本文主要着眼于原型双曲神经网络，特别关注双曲嵌入在高维度情况下收敛于庞加莱球边界的倾向，以及这对少样本分类的影响。我们展示了最佳的少样本结果是通过在共同的双曲半径下得到的双曲嵌入得到的。与以往的基准结果相比，我们证明了无论嵌入维度如何，通过配备欧几里德度量的固定半径编码器都可以获得更好的性能。
Sep, 2023
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