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
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
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
该论文提出了一种基于 Poincaré ball 模型的统一框架,用于构建可伸缩、简单的超几何线性分类器,并给出了凸优化的解决方案,该算法在合成数据集和真实数据集上的表现均有很高的准确率。
Sep, 2021
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
我们扩展了决策树和随机森林算法到混合曲率的产品空间,并在该研究中展示了通过在产品流形中进行简单、表达丰富的分类和回归来克服已有限制,并证明了与环境空间中的欧氏方法相比,在覆盖了各种曲率的组分流形和产品流形上具有卓越的准确性。
Jun, 2024
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
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
通过将问题转化为多项式优化,使用半定松弛和稀疏矩和平方松弛方法来近似最优解,在广泛的实验中表现优于投影梯度下降方法。
May, 2024