Neue adaptive hyperbolische Kerne verbessern hierarchische Datenmodellierung
Hierarchische Strukturen sind in vielen Bereichen des maschinellen Lernens – von natürlicher Sprachverarbeitung über Bildanalyse bis hin zu sozialen Netzwerken – allgegenwärtig. Der negative Krümmungsraum der Hyperbolik hat sich dabei als besonders geeignet erwiesen, solche Hierarchien mit minimaler Verzerrung einzubetten. Doch bisherige hyperbolische Kernel litten noch unter geometrischen Unschärfen oder fehlender Flexibilität.
