- ACLSymTax: 合作关系和分类融合以实现有效的引用推荐
SymTax 是一个考虑局部和全局上下文以及查询 - 候选元组的分类表示和它们之间的共生关系的三阶段推荐架构，其将融入的分类表示嵌入超伽马空间，并使用超伽马分离作为潜在特征来计算查询 - 候选相似性。
- 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 - 用无标度网络几何解释印度股票市场
本文使用机器学习技术将印度股市嵌入到一个双曲空间中进行分析，通过统计分析嵌入网络的双曲距离和双曲最短路径距离，我们能够清楚地区分市场的稳定期和波动期，并通过嵌入网络的模块性早期发现重要的市场变化，最后，这种嵌入能够有效地将市场各个部门进行聚 - 在 Poincaré Ball 中进行层次语义分割：降低父节点偏见
本文通过多个跨领域实验，重新评估了语义分割中使用层次结构的有效性，发现在新的测试领域中，扁平化的分割网络优于层次结构方法，并且通过使用 Poincaré 球模型，超几何空间的表征方法在分割精度上显著优于传统的欧氏空间层次结构方法，在父节点的 - COLINGL$^2$GC：洛伦兹线性图卷积网络用于节点分类
本文提出了一种基于 Lorentzian 线性 GCN 的新框架，将学习到的图节点特征映射到双曲空间，并进行 Lorentzian 线性特征转换以捕捉数据的树状层次结构，并通过在标准引文网络数据集上的半监督学习实验证明，我们的方法在 Cit - 超级 SDFusion: 提升 3D 文本到形状生成的语言和几何层次结构的桥接
提出了一种基于超几何空间的分层文本到形状生成模型，利用超几何空间学习文本和 3D 形状的分层表示，并通过引入双分支结构嵌入文本特征于 3D 特征空间，最终得到具有分层结构的生成 3D 形状，实验结果显示在现有文本到形状数据集上取得了最先进的 - 语言模型作为层次编码器
利用超几何空间重新训练语言模型中的分层转换器编码器（Hierarchy Transformer encoders，HiTs），为回归语言模型中隐含的分层结构提供了一种新的方法，通过聚类与层级组织相关实体来提高在推论、预测和跨层次知识传递等任 - HyPE-GT: 图形 Transformer 遇见双曲型位置编码
图变换器（GTs）通过计算节点对的自注意力，而不考虑节点位置信息，促进了对图结构数据的理解。为了解决这一限制，我们引入了一种创新且高效的框架，将位置编码（PEs）引入 Transformer，生成一组可学习的位置编码，这些位置编码存在于非欧 - 具有层次间隔提升的双曲空间用于从粗标签中提升细粒度学习
将视觉嵌入表示为分层余弦边界方法的超凸空间，并通过增强其辨别能力解决有限标签细粒度任务中的挑战，展示了所提方法在五个基准数据集上实验的有效性，取得了超越竞争方法的最先进结果。
- 具有流形正则化和归一化更新聚合的联邦学习
我们提出了 FedMRUR 方法，采用流形模型融合方案和一种新的全局优化器来减轻模型不一致性的负面影响，并通过在低维子空间中使本地和全局模型的数据表示相互接近的双曲图流形正则化器，从而显著减少模型不一致性，实现了局部客户更新的正交性引入的规 - 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 - ICCV用于精细手物体重建的动态双曲线注意网络
本文提出了首个在双曲空间中精确手物体重构的方法 Dynamic Hyperbolic Attention Network (DHANet)，该方法借助双曲空间的内在特性学习代表性特征，并通过动态双曲图卷积和基于图注意力的双曲图卷积两个模块来 - 双曲卷积神经网络
使用双曲空间构建泛化的超球面卷积神经网络，以捕捉数据中的层次结构和提高性能。
- 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。
- 双曲面人脸反欺骗
基于超几何空间和多模态特征的通用面部反欺骗方法在不同攻击类型下表现出显著的性能提升，并在少量攻击类型下具有很好的泛化能力。
- 无监督特征学习与新兴数据驱动的原型特性
介绍了一种在双曲空间进行无监督特征学习的算法，利用距离表示图像相似性和图像原型性，有效地减少了样本复杂性，提高了模型泛化性和鲁棒性。
- 核点聚集下的双曲卷积
本文提出了一种新的可训练超几何卷积神经网络 HKConv，它在保持与置换等变和局部邻域平移不变性的同时，能够有效地按照超几何形状学习本地特征，尤其在层次或类似树状数据的嵌入方面表现出色。
- HypLL：双曲线学习库
该研究提出 HypLL，基于 PyTorch 框架来实现在双曲空间中进行深度学习，以此来解决传统深度学习框架在处理层级数据和嵌入维度较少的数据方面存在的问题。
- 在双曲空间中学习弱监督的音视频暴力检测
本文提出了一种基于超几何空间的弱监督音视频暴力检测框架 HyperVD，通过多模态融合和全超几何图卷积网络等方法来提高模型的判别能力，收益于在此空间中学习片段表示方法，最终在 XD-Violence 基准测试中超越同领域最优性能的方法。
- 影锥：揭示双曲空间中的偏序关系
本文提出了一种基于影子锥的框架来定义广义流形上的部分排序，该框架通过使用隐喻性的光源和物体阴影来实现直观的物理解释。这种方法在 WordNet 和 ConceptNet 等不同数据集上表现出强大的表征和泛化能力，并且比其他方法表现更优秀，为