Hyperbolic sentence representations for solving Textual Entailment

超几何空间已被证明适用于建模分层数据。因此，我们使用庞加莱球来嵌入句子，以证明超几何空间如何用于解决文本蕴含问题。为此，除了用于评估文本蕴含的标准数据集外，我们还开发了两个额外的数据集。我们使用各种背景的基线进行评估，包括LSTMs、Order Embeddings和欧几里得平均值，后者是将句子表示为欧几里得空间的自然对应物。我们在SICK数据集上始终优于基线，并且在SNLI数据集上仅次于Order Embeddings，对于蕴含任务的二元分类版本。

本文旨在探讨如何使用超几何空间建模层次结构数据以解决文本蕴含问题，并提出了两个新的数据集用于评估模型性能。

使用Poincare球将句子嵌入到超几何空间中，通过比较两个句子在超几何空间中的距离来判断它们之间的蕴含关系。

本文提出的模型在SICK数据集上表现优异，相比于LSTMs、Order Embeddings和欧几里得平均等传统模型，有着更好的性能。此外，本文提出的两个新的数据集也为文本蕴含问题的研究提供了新的评估方式。

在这个领域中，还有相关的研究，如《Learning Structured Text Representations》、《Reasoning about Entailment with Neural Attention》等。