本研究提出了RegD框架，针对分层数据嵌入的优化问题进行了解决。通过深度距离和边界距离度量，RegD在多个数据集上显著优于现有方法，展现了广泛的应用潜力。

最新研究发现，双曲空间中的分层数据可以产生低维度高信息量的表示。本文研究了原型双曲神经网络在高维度情况下的收敛性和对少样本分类的影响。结果显示，双曲嵌入可获得最佳少样本结果。固定半径编码器配备欧几里德度量相比以往基准结果表现更好。

最近的研究发现，双曲空间中的分层数据能够产生低维度和高信息量的表示。本文研究了原型双曲神经网络在高维度情况下的收敛性和对少样本分类的影响。结果显示，通过双曲嵌入可以得到最佳的少样本结果。配备欧几里德度量的固定半径编码器可以获得更好的性能。