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

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

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

本文提出了一种新的知识图谱嵌入方法 UltraE，它使用超弦广义相对论模型天衣无缝地将双曲和球形流形交错地组织起来，使其能够同时建模异构结构和复杂的关系模式，实验结果表明，UltraE 优于之前的欧几里得和双曲嵌入方法。

Jun, 2022

该研究提出了一种嵌入树形数据结构的超 bolic embeddings 算法，无需优化即可实现任意低失真，同时提供了 h-MDS 方法来嵌入广泛的度量空间以及可处理不完整信息和可扩展的 PyTorch 实现。

Apr, 2018

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

本文提出了一种基于常曲率伪黎曼流形的表示方法，适用于非欧几里德结构数据的机器学习。该方法的优化方法及应用于图表示的实验结果也被给出。

Jul, 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

本文对当前超伽马线图神经网络的技术细节进行了全面的回顾，并将它们统一到一个通用框架中，并总结了每个组件的变体和相关应用，并提出了一些挑战，可能为进一步发展超伽马线空间的图学习成果提供指导。

Feb, 2022