marlin-codes/Awesome-Hyperbolic-Representation-and-Deep-Learning

소개

Awesome-Hyperbolic-Representation-and-Deep-Learning은 연구자들이 머신러닝의 특정 분야, 즉 데이터를 표현하기 위해 일반적인 '평평한' 공간 대신 **쌍곡 공간(hyperbolic space)**을 사용하는 연구와 관련된 논문을 빠르게 찾을 수 있도록 정리된 커뮤니티 큐레이션 리스트('Awesome' 리스트)입니다.

핵심 아이디어

대부분의 머신러닝은 학교에서 배우는 평평한 기하학인 유클리드 공간을 다룹니다. 하지만 많은 실제 데이터셋은 트리 구조나 멱법칙 구조를 가지고 있습니다(소셜 네트워크, 지식 그래프, 분류 체계 등을 생각해보세요). 소수의 항목이 고도로 연결되어 있고 나머지는 계층적으로 분기됩니다. 유클리드 공간에서 공간의 '부피'는 밖으로 나갈수록 다항식 공식에 따라 증가합니다. 반면 쌍곡 공간에서는 지수적으로 증가합니다. 이러한 지수적 증가 덕분에 쌍곡 기하학은 계층 구조나 트리 형태의 데이터를 표현하는 데 자연스러운 이점을 가집니다. 중첩되거나 분기되는 구조를 펼칠 '공간'이 더 넓기 때문입니다.

README에서는 쌍곡 공간의 지수적 증가 특성이 계층적 조직을 가진 데이터에 대한 사전 분포(prior) 역할을 하는 반면, 유클리드 공간의 다항식적 증가는 그러한 데이터에 적합하지 않다고 설명합니다.

구성 방식

이 저장소는 논문을 세 가지 주요 영역으로 그룹화하고 각 영역에 하위 카테고리를 두었습니다.

• 핵심 방법론 및 기하학 (섹션 2) — 기초 기술: 쌍곡 임베딩, 신경망, 그래프 신경망, transformers/attention, 이론 및 안정성 분석, 계층 모델링, 혼합 곡률 접근법, 생성 모델, 분류기, 연산/유틸리티, LLM/기반 모델과의 연결.
• 도메인 응용 (섹션 3) — 이러한 방법이 적용되는 분야: 언어/텍스트, 컴퓨터 비전/그래픽스/로봇 공학, 그래프/네트워크, 추천 시스템, 지식 그래프, 생물학/분자 학습, 코드 표현, 교육.
• 작업 지향 설정 (섹션 4) — 도메인 간 문제 설정: 다중 레이블/계층적 분류, 메트릭 학습/검색/클러스터링, 기하학 학습 및 적응, Few-shot/저데이터 학습, 오픈 보캐블러리/제로샷/카테고리 발견, 안전성/강건성/프라이버시, 환경 모니터링, 다기준 학습.

각 논문 항목에는 논문 제목, 발표된 학회, 저자가 나열되어 있습니다.

기타 포함 사항

• 링크된 서베이 논문 (“A Survey of Non-Euclidean Geometric Learning from Hyperbolic to Mixed-Curvature Spaces”): 이 분야를 폭넓게 다룹니다.
• '최신 업데이트' 섹션: 주요 AI 학회(NeurIPS, ECCV, ACM MM, MICCAI, RecSys, AISTATS, WACV, CVPR 등)의 최근 추가 사항을 날짜와 논문 수와 함께 보여줍니다.
• 커뮤니티 Slack 채널 및 토론과 협업을 위한 웹사이트.
• 문의 이메일: 관리자들은 리스트에 불가피한 누락이 있을 수 있음을 인정하며, 수정을 위한 연락처를 제공합니다.

대상 독자

기하학과 딥러닝의 교차점에서 연구하는 연구원, 대학원생, 실무자. 특히 계층적 또는 그래프 구조 데이터를 연구하면서 어떤 쌍곡 방법론이 존재하는지, 어디에 적용되었는지, 누가 이 분야에서 논문을 발표하는지 알고 싶은 분들에게 적합합니다. 이 리스트는 튜토리얼이 아닌 발견 도구입니다. 논문을 나열하고 링크를 제공하지만, 코드나 설명 텍스트 자체를 제공하지는 않습니다.