- 用于解决文本蕴含的双曲句子表示
利用 Poincare 球来嵌入句子，证明了超几何空间可以用于解决文本蕴含问题。使用四个数据集评估并与多个基准模型比较，结果表明我们在 SICK 数据集上表现最好，在 SNLI 数据集的蕴含任务的二分类版本中仅次于 Order Embedd - 超半空间中解决大边际分类器的凸松弛
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。
- PE：一种用于快速文本层次生成的 Poincare 解释方法
该研究介绍了一种称为 Poincaré 解释（PE）的新方法，在 O (n^2logn) 时间复杂度内使用双曲空间建模特征交互，并证明了在投影空间中的层次聚类过程可以视为构建最小生成树，并提出了一种时间高效的算法。实验结果证明了我们方法的有 - HyperVQ: 基于 MLR 的双曲空间向量量化
利用超 bolic 空间进行向量量化 (HyperVQ)，通过对比 VQVAE 中的欧几里得 K-Means 聚类，形成了超 bolic 多项式逻辑回归问题的 VQ 操作。通过广泛的实验，我们证明 hyperVQ 在重建和生成任务中的性能相 - 加速双曲 t-SNE
本研究使用极坐标四叉树构建超几何嵌入的加速结构，相比现有方法在更短的时间内计算出类似质量的嵌入结果。
- 曲率聚焦：用于图形表示学习的混合曲率 Transformer
我们提出了一种基于全曲率空间的完全产品百叶窗变换器，结合了 tokenized 图变压器，通过端到端的方式学习适合输入图的曲率，以及一种核化的非欧几里得注意方法，实现了线性时间和内存成本与节点和边的数量成线性关系的模型在非欧几里得域的功能扩 - 通过凸包的安全聚合，在双曲空间中进行联邦分类
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。
- ICML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。
- 在双曲空间中嵌入时态异构信息网络的 H2TNE 算法
提出了一种基于双重随机游走策略和超伽马空间距离的超伽马异构时间网络嵌入模型，能够保留结构和语义信息，对于时间上的链接预测和节点分类取得了优秀的表现。
- CVPRHIER: 层次正则化度量学习超越类标签
本文提出了一种新的监督学习正则化方法，名为 HIER，它可以在超几何空间中学习层次代理以逼近训练数据的语义层次结构，为度量学习提供更丰富和更细粒度的监督，并在四个标准基准测试中实现了最好的表现。
- KDDHyperAid: 超几何空间中用于树拟合和分层聚类的去噪
该论文提出了一种基于超 bolic 空间的新方法（HyperAid），用于将 tree-metrics 适应到噪声数据，并通过引入边权重来提高适应性，该方法在边缘增强树和最短距离计量表示的合成数据，以及 Zoo，Iris，Glass，分割和 - EMNLP通过双曲几何提取事件时序关系
该研究通过将事件嵌入在双曲空间中，利用双曲嵌入进行事件之间的关系预测，取得了当前最优的表现。
- ICMLHoroPCA：利用浮标球投影的双曲维度降低
本文介绍了一种用于超似乎空间数据降维的新方法 HoroPCA，比现有方法更好地保留原始数据中的距离信息和方差，并且还可用于数据白化和可视化。
- ICLR在双曲空间中探究 BERT
本研究使用 Poincare 探针将 contextualized word embeddings 映射到具有明确定义层次结构的 Poincare 子空间中，发现在句法子空间中我们的探针比欧几里德探针更好地恢复了树结构，同时在情感子空间中， - 关于在双曲空间中的普洛克鲁斯特分析
本文讨论了如何在双曲空间中运用 Congruent Procrustes analysis 寻找最佳匹配的方法，并给出了在没有测量噪声的情况下的最优同构闭合式解。同时，作者还分析了该方法在测量噪声存在时的性能表现。
- 双曲深度神经网络：一份调查
本文介绍了超半径神经网络的模型以及各个组成部分，探究了其在超几何空间的深度学习方法、机器学习任务上的应用，提出了未来研究方向。
- EMNLP一种完全双曲神经模型用于分层多类别分类
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。
- ICLR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。
- 在双曲空间中的鲁棒大间隔学习
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。
- 具有双曲标准化流的潜变量建模
本研究论文介绍了一种在双曲空间上扩展 Normalizing Flow 的方法，使其能够更好地模拟具有分层结构的数据，并展示了该方法在密度估计和图数据重建等领域的高效性与优越表现。