Dec, 2023

HLoOP -- 双曲空间局部异常概率

PDF
TL;DR该文章引入了一种简单框架，用于在超休克 2 空间中检测局部异常值，称为 HLoOP (Hyperbolic Local Outlier Probability)。通过在超休克空间中计算数据点到其最近邻的 Riemmanian 距离，并利用高斯概率密度函数将其与局部异常因子相结合，该方法在 WordNet 数据集上取得了令人期待的结果。
hyperbolic geometryoutlier detectionhloopriemannian distancewordnet dataset
发现论文，激发创造
  • 超几何度量学习用于视觉异常检测

    使用双曲几何的度量框架提高超出分布检测的性能，并探索其与嵌入维度的关系，改善在资源受限环境中的实际应用。

    Mar, 2024

  • 使用随机拉普拉斯特征在双曲空间中学习

    本文介绍了一种利用超几何空间的嵌入方法提高图数据的建模效率和性能的新算法，以及如何通过 Laplace 算子的本征函数来逼近超几何空间中的等度不变核，从而更好地实现了超几何网络的建模。

    Feb, 2022

  • 双曲神经网络

    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

  • 在 Poincare 球中高度可扩展且可证明准确的分类

    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

  • 双加号双加号双曲神经网络 ++

    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

  • 基于梯度的超几何空间上的包裹正态分布学习

    本文提出了新的伪超柏格分布，它是一种基于测地线距离的高斯分布，可用于超半径空间的概率模型。我们展示了该分布在超半径空间上的应用，包括超半径变分自编码器和超半径概率词嵌入。在 MNIST、Atari 2600 Breakout 和 WordNet 等多个数据集上验证了该分布的有效性。

    Feb, 2019

  • 快速双曲线决策树算法

    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

  • 双曲表征学习：再探和提高

    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

  • 超几何图表征学习：教程

    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

  • 双曲随机森林

    通过使用水平面将随机森林推广到双曲空间，使用大边际分类器找到候选分割，再结合子类最低共同祖先和类平衡的大边际损失方法，可以解决多类数据和不平衡实验问题，并且在标准和新的基准测试中表现优于传统随机森林算法和最近双曲分类器。

    Aug, 2023