Poincaré disk model
PulseAugur coverage of Poincaré disk model — every cluster mentioning Poincaré disk model across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
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…
-
新方法嵌入临床概念，同时保留医学代码层级结构
研究人员开发了双曲临床本体嵌入（HCOE），这是一种表示临床概念的新颖方法，可以保留医学代码的层级结构。HCOE将现有的BioBERT嵌入映射到庞加莱球中，将本体引导的对比学习与层级聚合相结合。该方法在预测临床关系、迁移层级知识以及在MIMIC-IV数据集上改进死亡率预测和药物推荐等任务的结果方面表现出优越性能。
-
新的自适应曲线细分方法学习局部角度以改进几何体生成
研究人员开发了一种新的自适应插值曲线细分方法，该方法通过学习局部角度来改进几何体生成。与具有单一全局张力参数的传统方法不同，这种方法确保细分后的曲线通过控制点，同时适应变化的局部几何形状。与现有基线相比，该技术显著降低了最近邻误差，并降低了弯曲能量和切线粗糙度。
-
新研究在双曲空间中绘制嗅觉数据
研究人员利用庞加莱圆盘模型中的二维双曲嵌入，探索了嗅觉描述符数据的组织方式。通过将双曲度量多维缩放应用于气味剂评分和分子注释数据集，他们发现嵌入有效地保留了成对描述符的距离。研究揭示了一种径向组织，其中扩散的气味特征更靠近中心，而集中的特征更靠近边界，像“甜”和“果味”这样的特定描述符显示出强烈的方向趋势。这种双曲映射框架提供了一种可解释的方式，通过半径表示全局特征属性，并通过角度位置表示连续描述符梯度。
-
HypLTSF框架使用双曲几何进行高级时间序列预测
研究人员开发了HypLTSF，一个利用双曲几何来模拟时间序列预测中多尺度层次结构的新颖框架。通过将尺度感知表示嵌入庞加莱球中，HypLTSF自然地适应层次结构，并施加径向和角向约束以使几何与时间层次结构对齐。实验表明，该方法在长期时间序列预测基准测试中取得了最先进的性能。
-
ISO-RAG框架提升复杂问答的检索能力
研究人员推出了一种新颖的检索增强生成（RAG）框架ISO-RAG，以解决多跳问答中的局限性。通过利用双曲庞加莱圆盘模型，ISO-RAG能够修剪知识图谱中的噪声边，从而缩小搜索空间，提高检索的准确性和效率。实验表明，与现有方法相比，在检索召回率和下游精确匹配得分方面均有显著提升。
-
新框架增强了双曲空间中的注意力检索
研究人员开发了HCC+，一个用于改进双曲空间中注意力检索的理论框架。该新方法解决了现有技术在有限精度表示下注意力权重保持方面缺乏确定性保证的问题。HCC+利用庞加莱球的特性，对注意力偏差和总变差距离提供了理论保证，同时实现了显著的存储空间减少。
-
双曲几何提升树状原型网络性能
研究人员探讨了潜在流形几何对分层分类模型的影响，比较了欧几里得空间和双曲空间。他们的发现表明，与欧几里得原型相比，双曲原型能显著保留最近邻图的拓扑结构。虽然欧几里得原型在原始特征上的表现与逻辑回归相似，但双曲拟合在局部检索任务中有所改进。
-
双曲几何增强了分类模型中的潜在空间拓扑
研究人员探讨了潜在流形选择对分层分类模型的影响，将欧几里得空间与双曲空间（庞加莱球）进行了比较。他们的发现表明，与欧几里得原型相比，双曲原型在潜在空间中显著保留了最近邻图的拓扑结构。在各种参考树定义和分类任务中都观察到了这种改进，这表明双曲几何对于某些结构化数据表示具有切实的优势。
-
HyPASE框架使用双曲几何进行高效LALM微调
研究人员开发了HyPASE，一个利用双曲几何进行参数高效微调大型音频语言模型（LALMs）以用于语音情感识别（SER）的新型框架。与在欧几里得空间中操作的传统方法不同，HyPASE采用了Poincaré球模型来更好地捕捉情感线索的多粒度性。该框架包括一个双曲几何适配器（HGA）和一个情感感知多容量跨模态聚合器（EMCA），它们共同提高了在MELD和IEMOCAP等基准测试上的性能，尤其是在类别不平衡数据集上。这种方法为将LALMs适应…
-
arXiv论文详述神经网络的新几何构造方法
研究人员开发了一种新颖的神经网络构造方法，将神经网络嵌入统计流形中，特别是利用了对数正态分布。该方法利用了与流形上梯度流等效的哈密顿系统，网络输入由庞加莱圆盘内的动力学定义。诸如突触权重矩阵的旋转等关键组成部分源自SU(1,1)的李群作用，激活函数则源于系统的辛结构。所得出的神经网络架构在金融欺诈检测和网络安全应用中被证明是有效的。
-
新的双曲框架增强了多模态情感和情绪分析
研究人员推出了一种新颖的双曲超图框架 Emotion Collider (EC-Net)，用于多模态情感和情绪分析。该系统利用 Poincaré 球嵌入来建模模态层次结构，并采用超图机制进行双向消息传递。EC-Net 在双曲空间中结合了对比学习，并采用解耦的径向和角向目标来增强类别分离，通过自适应超边构建来保留高阶语义关系。在标准基准测试上的实验表明，EC-Net 在生成鲁棒且准确的表示方面非常有效，尤其是在模态数据嘈杂或不完整的情况下。
-
为Hadamard流形开发了新的1-Lipschitz神经网络
研究人员开发了一类新的1-Lipschitz神经网络，旨在Hadamard流形上运行，突破了欧氏空间的限制。这些网络利用Busemann函数和梯度流来创建保持几何的层，提供增强的鲁棒性和稳定性。该架构已在双曲流形和对称正定（SPD）矩阵流形上得到验证，在鲁棒分类和协方差重建等应用中显示出潜力。
-
GPT-2 词汇量可视化为交互式双曲树
一个后续项目将 GPT-2 模型中的词汇量可视化为一棵双曲树，包含 32,070 个标记，位于一个可导航的庞加莱圆盘内。这种交互式可视化可以在移动设备上运行，使用 GPT-2-small 的标记嵌入，并在双曲空间中自然地映射词语相似性的树状结构。用户可以通过旋转、缩放和点击标记来重新定位视图来探索数据，揭示诸如星期几或“Trump”和“Ivanka”等特定联系。整个可视化包含在一个单一的客户端 HTML 文件中。
-
新AI框架利用双曲几何融合红外与可见光图像
研究人员开发了一个新颖的框架，通过利用双曲流形学习来融合红外与可见光图像。该方法使用BLIP提取的文本提示作为双曲空间中的锚点来对齐视觉属性。该方法自然地编码了层次语义并避免了度量饱和，与现有的欧几里得方法相比，融合性能得到了提高。值得注意的是，融合过程在推理时能自主适应输入内容，无需显式文本输入。