新方法增强了用于分层数据的双曲残差量化

研究人员开发了一种新颖的几何感知双曲残差量化方法，旨在改进分层数据的表示。该方法通过引入用于稳定前向传播残差聚合的双曲残差聚合（Hyperbolic Residual Aggregation）和用于稳定反向传播梯度路由的折扣双曲直通估计器（discounted Hyperbolic Straight-Through Estimator），解决了先前双曲扩展中的不一致性问题。在推荐和音频编码等各种任务上的评估表明，与现有方法相比，双曲残差码的稳定性和结构组织得到了增强。 AI

影响 这项研究可能导致更高效、更准确的分层数据模型，影响推荐系统和音频处理等领域。

排序理由 这是一篇详细介绍新数据表示方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Alessio Colombo
• alphaXiv
• CatalyzeX
• CORE Recommender
• DagsHub
• Euclidean space
• Gotit.pub
• Hugging Face
• Hyperbolic Residual Aggregation
• Hyperbolic Straight-Through Estimator
• Poincaré disk model
• Residual Vector Quantization
• ScienceCast

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →