本文提出了一种新算法，通过对抗性示例注入，学习适用于分层结构数据的大边际超平面。研究表明，超几何神经网络在分类性能上优于传统方法，并探讨了基于Poincaré球模型的超几何线性分类器。此外，研究了超几何流形在自监督学习中的应用，提出了改进的超宾表示方法，展示了其在少样本学习中的优势。