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

它是什么

Awesome-Hyperbolic-Representation-and-Deep-Learning 是一个由社区策划的学术论文列表（“Awesome”列表），旨在帮助研究人员快速找到机器学习特定领域的相关工作：即使用 双曲空间 而非通常的“平坦”空间来表示数据。

它追踪的核心思想

大多数机器学习工作使用欧几里得空间——即我们在学校学习的平坦几何。但许多现实世界的数据集具有 树状或幂律结构（例如社交网络、知识图谱、分类法）：少数事物高度连接，其余部分呈层级分支。在欧几里得空间中，空间的“体积”随着向外移动按多项式公式增长。而在双曲空间中，它呈 指数级 增长。这种指数级增长使得双曲几何在表示层级和树状数据时具有天然优势，因为有更多的“空间”来展开嵌套或分支结构。

README 将其表述为：双曲空间的指数增长特性充当了具有层级组织数据的一种 先验，而欧几里得空间的多项式增长对于此类数据来说并不匹配。

组织方式

该仓库将论文分为三个主要领域，每个领域下设子类别：

• 核心方法与几何 (第2节) — 基础技术：双曲嵌入、神经网络、图神经网络、transformers/attention、理论与稳定性分析、层级建模、混合曲率方法、生成模型、分类器、操作/工具，以及 LLM/基础模型关联。
• 领域应用 (第3节) — 这些方法的应用场景：语言/文本、计算机视觉/图形学/机器人、图/网络、推荐系统、知识图谱、生物学/分子学习、代码表示和教育。
• 任务导向设置 (第4节) — 跨领域问题设置：多标签/层级分类、度量学习/检索/聚类、几何学习与适应、少样本/低数据学习、开放词汇/零样本/类别发现、安全/鲁棒性/隐私、环境监测和多准则学习。

每篇论文条目列出了论文标题、发表会议及其作者。

还包含什么

• 一篇链接的综述论文 (“A Survey of Non-Euclidean Geometric Learning from Hyperbolic to Mixed-Curvature Spaces”)，涵盖了该领域的广泛内容。
• “最新更新”部分 展示了来自主要 AI 会议（NeurIPS, ECCV, ACM MM, MICCAI, RecSys, AISTATS, WACV, CVPR 等）的近期新增内容，包含日期和论文数量。
• 社区 Slack 频道 和网站，用于讨论和协作。
• 联系邮箱 用于更正，因为维护者承认列表不可避免地会有疏漏。

适合人群

在几何与深度学习交叉领域工作的研究人员、研究生和从业者——特别是那些研究层级或图结构数据，并希望了解现有的双曲方法、应用场景以及该领域发表情况的人。这是一个发现工具，而非教程：它列出并链接了论文，但本身不提供代码或解释性文本。