- 异质图的分离式双曲线表征学习
本文提出了一种名为 Dis-HGCN 的解缰离散超几何异构图卷积网络，旨在通过独立的信息传播来解缰语义特征和结构特征，以及通过超几何结构拉近数据分布和表示空间的差距，并在诸多真实世界异构图数据集上进行验证，结果证明其在超几何空间中解缰和表示 - SHMamba: 面向音视频问答的结构化双曲线状态空间模型
提出了 SHMamba：结构化双曲状态空间模型，利用双曲几何和状态空间模型的优势，表示音频 - 视觉数据的分层结构和复杂关系。通过引入自适应曲率双曲对齐模块和交叉融合块，增强分层结构的理解和跨模态信息的动态交流。广泛实验证明，SHMamba - 通过困难负例采样理解双曲度量学习
最近几年，将双曲几何方法融入计算机视觉领域的趋势日益增长。本研究调查了将双曲空间整合到度量学习中的效果，特别是在使用对比损失进行训练时。我们通过深入研究评估了使用混合目标函数的视觉变换器 (ViTs) 结果来解决现有文献中关于对比损失温度影 - 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。
- 针对层次感知图嵌入的 Poincaré 差分隐私
提出了一种名为 PoinDP 的 Poincaré 差分隐私框架，用于基于双曲几何的层次感知图嵌入的保护，通过学习双曲空间中的层次权重和自适应分配隐私保护强度来解决现有隐私保护框架在层次传播中保护能力不足的问题，实现了在节点分类任务上既能有 - HLoOP -- 双曲空间局部异常概率
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 - 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 - 超几何扩散嵌入与距离用于分层表示学习
本文提出了一种新的基于扩散流形学和双曲几何学的分层数据嵌入和距离测量方法，理论上可以恢复分层结构，并且在图嵌入基准和分层数据集上证明了其有效性和优势。
- HyHTM：基于双曲几何的分层主题模型
使用基于双曲几何的层级主题模型（HyHTM）可以更好地对主题进行建模，使得特定的低级主题与相应的高级主题关联更紧密。同时，该模型也具备更高的计算效率和更小的内存占用。
- 基于矩阵流形的神经网络构建：陀螺矢量空间方法
该论文提出了一种在矩阵流形上构建神经网络的新模型和层，通过将陀螺向量空间的理论应用于 SPD 和 Grassmann 流形上，推广了一些概念，并以人体动作识别和知识图谱完成两个应用来展示其有效性。
- 计算机视觉中的双曲几何：一项调查
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。
- HGWaveNet: 一种用于时间链路预测的双曲线图神经网络
本文提出了基于超几何几何的 HGWaveNet 神经网络，该网络有效利用了超几何空间与数据分布的契合性进行时序边预测，通过设计 2 个关键模块，分别学习空间和时间信息，应用于保留了整个数据流中的分层结构信息，实现了对 6 个实际数据集的超几 - WWW层级不平衡节点分类的双曲几何图嵌入学习
在图中学习不偏倚的节点表示已成为一个更为重要的研究领域，本文提出一种新型的超伽马几何不平衡层次学习框架自动实现节点分类任务的评估。
- EMNLP利用快速傅立叶变换的复双曲知识图谱嵌入
本文探讨利用复合超几何图嵌入多关系知识图谱，通过利用快速傅里叶变换（FFT）将多关系知识图中的不同关系转换为超几何转换和复合空间中的注意力机制，实现复合超几何图的表示能力，实验结果表明，该方法相对于欧氏和实超几何图表现更好。
- 双曲深度强化学习
本文提出了一种新的深度强化学习算法类，其中建模超螺旋空间中的潜在表示。通过使用超螺旋几何提供深度强化学习模型以精确编码本质上分层的信息，借此进行任务相关的关键演化特征的关系捕捉。然而，现有方法中的优化稳定性问题导致 RL 梯度估计器的非稳态 - 在双曲空间中进行层次符号推理以用于深度判别模型
使用超几何来解释深度判别模型的特征重要性和生成层级符号规则的方法，有效提高了模型解释的多级抽象水平。
- KDD超超负曲率知识图谱嵌入
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。
- AMCAD：基于自适应混合曲率表示的广告检索系统
提出了一个自适应混合曲率广告检索系统（AMCAD），可以自动捕获非欧几里德（Euclidean）空间中的复杂和异构图结构，采用自适应混合曲率空间表示实体，并设计了注意力机制来模拟异构节点之间的相似度，设计了一个高效的二层在线检索框架来部署 - CVPR超载荷视觉变压器：将度量学习的改进相结合
基于超几何空间的视觉 Transformer 模型，使用改进版的成对交叉熵损失函数直接优化嵌入向量，经过六种不同的数据集表明得到了全新的最先进性能。
- AAAI自适应 Poincaré 距离点集用于少样本分类
本文提出了一种上下文感知的双曲度量学习方法，可用于 few-shot learning 任务，并且在多个分类基准上的实验结果表明这种方法不仅具有鲁棒性，而且表现优于基线模型。