近年来，双曲深度神经网络(HDNNs)在双曲型空间中的深度表示提供了维数较少的高质量嵌入，特别是对于具有层次结构的数据。这样的双曲神经体系结构迅速应用到不同的科学领域，包括自然语言处理、单细胞RNA序列分析、图形嵌入、金融分析和计算机视觉。有希望的结果表明，它优越的能力，显著的紧致性的模型，相比欧几里德空间的模型有更好的物理解释。为了促进未来的研究，本文对构建HDNN的神经成分进行了全面的综述，并对目前主要的双曲空间深度研究方法进行了推广。它还介绍了各种任务的当前应用，以及富有洞察力的观察和确定开放的问题和有前途的未来方向。

论文链接：

https://arxiv.org/abs/2101.04562

利用双曲深度神经网络来表示数据有几个潜在的优势:

  • 模型的泛化能力更强，过拟合更少，计算复杂度更低，对训练数据的要求更低。

  • 低失真嵌入，保留了局部和全局的几何信息。

  • 一个更好的模型理解和解释，可以提供一个正形映射到欧几里德空间，这样它是友好的下游任务。

内容中包含的图片若涉及版权问题，请及时与我们联系删除