- HYPE: 超伪定型图像与文本的包含性过滤
本研究介绍了一种名为 HYPerbolic Entailment filtering (HYPE) 的新方法，利用超伸缩嵌入和蕴含锥的概念，精确提取具有明确语义的图像 - 文本对数据集，以增强数据样本的特异性。HYPE 在数据筛选效率方面取 - 机器学习的调和计算：超螺旋模型嵌入的应用
改进数学扭曲来适应机器学习需求，包括推广黎曼积分、使用欧几里得导数扩展基本微积分定理、设计、改变扭曲度量的基本性质以及在超几何和机器学习中应用超几何嵌入。
- 超几何与欧几里得嵌入在少样本学习中：同一硬币的两面
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 - ACL面向细粒度情感分类的标签感知双曲嵌入
本论文提出了 HypEmo，一种能够融合双曲嵌入以提高情感分类任务性能的新型框架。我们使用超平面空间中的标签嵌入来更好地捕捉其层次结构，然后将上下文表示投射到该空间中来计算样本和标签之间的距离，并发现相对于现有技术，使用此距离加权交叉熵损失 - ACL上下文学习的可区分性校准
本文提出了一种基于特征转换、超球面嵌入和粗粒度到细粒度度量学习策略的校准方法，以提高模型在含有细粒度分类标签的文本分类任务中的表现。实验证实了该方法的有效性。
- 网络嵌入推荐系统的嵌入空间分析
本文提供了关于在推荐系统中应该在什么情况下使用超半径空间和超半径嵌入的理论分析和实证结果，包括何种类型的模型和数据集更适合于超半径空间，以及选择哪个潜在空间大小，同时提出了一种名为 SCML 和其超半径版本 HSCML 的新的基于度量学习的 - ACL层次化多标签分类的双曲线标签嵌入联合学习
本文提出了一种联合学习分类器参数与标签嵌入的方法，用于多标签分类的层次化关系建模，结果表明该方法对具有效性，超过了以往基于共现信息的预训练超几何嵌入方法。
- EMNLP使用双曲线知识图嵌入进行知识关联
本论文提出一种基于超球面嵌入的超球面关系图神经网络模型，通过实体对齐和类型推断等任务，捕捉知识图谱中的关系，并证明该模型具有有效性和效率。
- 从树到连续嵌入再回归：双曲线分层聚类
该研究提出了一种名为 HypHC 的方法，将传统的基于启发式算法的相似性层次聚类问题转化为一个离散优化问题，并通过连续松弛技术获得全局最优解，该方法通过超蜂窝嵌入实现了离散树到连续表示的映射，并采用解码算法通过叶节点嵌入到树状图的映射，实现 - ACL超伪空间中的细粒度实体类型划分
本文研究了采用双曲嵌入表示大型实体类型库中的层次信息，以捕捉上下文中提及和目标类型之间的层次关系，从而提高实体类型命名性能。研究表明，双曲模型在不同的技术和数据集上表现出提高的效果，但在技术代码和数据集细节方面的差异也存在影响。
- 多关系 Poincaré 图嵌入
本研究提出了一种称为 MuRP 的多关系泊松球模型，用于在 Poincaré 空间中嵌入多关系图数据，并学习关系特定参数以通过 Möbius 矩阵 - 向量乘法和 Möbius 相加来转换嵌入，实验表明 Poincare 嵌入在链接预测任务 - 双曲图像嵌入
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。
- 通过双曲嵌入从文本语料库中推导概念层次结构
本文提出了一种新方法， 结合了双曲嵌入与 Hearst 模式，用于从大型文本语料库中推断概念层次结构和 is-a 关系。实验表明，该方法在多个基准测试中取得了最先进的性能。
- 超几何嵌入的表征权衡
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。