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。

研究表明，分层数据在双曲空间中能够生成低维且高信息量的表示。本文聚焦于原型双曲神经网络，探讨高维情况下双曲嵌入的收敛性及其对少样本分类的影响，结果表明固定半径编码器能显著提升性能。

研究发现，双曲空间中的分层数据可以生成低维高信息量的表示，但在图像识别中优化较难。本文探讨了原型双曲神经网络，特别是高维双曲嵌入的收敛性及其对少样本分类的影响。结果表明，最佳少样本结果通过共同双曲半径嵌入获得，使用欧几里德度量的固定半径编码器可提升性能。

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。

图变换器（GTs）通过自注意力计算节点对，但忽略节点位置信息。为了解决这一限制，引入了一种创新且高效的框架，将位置编码（PEs）引入Transformer，生成一组可学习的位置编码，存在于非欧几里德域中的双曲空间。通过这种方法，可以探索用于特定下游任务的PEs的多种选择选项，利用双曲神经网络或双曲图卷积网络。此外，重新使用这些位置编码来减轻深层图神经网络（GNNs）中的过度平滑的影响。实验证实了双曲位置编码在提高深层GNN性能方面的有效性。

图变换器（GTs）通过自注意力计算节点对，但忽略节点位置信息。为了解决这一限制，引入了一种创新且高效的框架，将位置编码（PEs）引入Transformer，生成一组可学习的位置编码，存在于非欧几里德域中的双曲空间。通过这种方法，可以探索用于特定下游任务的PEs的多种选择选项，利用双曲神经网络或双曲图卷积网络。此外，重新使用这些位置编码来减轻深层图神经网络（GNNs）中的过度平滑的影响。实验证实了双曲位置编码在提高深层GNN性能方面的有效性。

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。