该研究提出了一种基于双曲空间的新方法，通过引入双曲Chamfer距离和正则化三元损失，从单张RGB-D图像重建3D点云。实验结果表明，该模型在3D重建任务中优于大多数现有模型。

本研究提出了一种新学习范式，解决了图像理解模型在视觉层次学习中的不足。该模型在无明确层次标签的情况下，能够在双曲空间中编码多级视觉层次，显著提升图像检索的层次能力。

本文探讨了多种图神经网络模型在异构图和双曲空间中的应用，包括超曲线图注意网络、基于分层注意力的异构图神经网络和Hodge-Laplacian异构图注意网络。这些模型在节点分类和图回归等任务中表现优越，展示了处理复杂图形数据的高效性和多功能性。

通过研究深度双曲神经网络（HNNs）的表示容量，证明了HNNs能够将任何有限加权树嵌入到带有给定曲率的双曲空间中。与欧几里得空间的嵌入相比，HNN的网络复杂性较低。

通过研究深度双曲神经网络（HNNs）的表示容量，证明了HNNs能够将任何有限加权树嵌入到带有给定曲率的双曲空间中。与欧几里得空间的嵌入相比，HNN的网络复杂性较低。

阿里云PAI与华东师范大学合作在EMNLP2023发表了关于垂直领域预训练语言模型的论文。他们提出了一种通过双曲空间和对比学习来增强上下文语言表示的框架，解决了垂直领域知识稀疏的问题。模型在金融和医疗领域的下游任务上表现良好。

本文研究了双曲空间中的分层数据表示和双曲嵌入在高维度情况下的收敛性，以及其对少样本分类的影响。研究表明，最佳的少样本结果是通过在共同的双曲半径下得到的双曲嵌入得到的。

本文研究了双曲空间中的分层数据表示及其对少样本分类的影响。研究表明，最佳结果是通过在共同的双曲半径下得到的双曲嵌入得到的。通过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。

本文研究了深度双曲神经网络（HNNs）的表示容量，证明了HNNs能够将任何有限加权树嵌入到带有给定曲率的双曲空间中。与ReLU多层感知器（MLP）相比，HNN的网络复杂性与表示保真度/失真率无关。

本文提出了一种嵌入有向无环图的新方法，使用证明能够更好地模拟树状结构的双曲空间，并使用一组嵌套的测地凸锥来定义分层关系，并证明这些蕴含锥体在欧几里得和双曲空间中均具有一种优化的形式，而且它们可以规范地定义嵌入学习过程。实验显示，我们的方法在表示能力和泛化方面都比最近的强有力的基线有显着的改进。