Hyperbolische K‑Means steigern Genauigkeit bei Generalized Category Discovery

In einer neuen Studie wird gezeigt, dass die Verwendung von hyperbolischer Geometrie nicht nur bei der Repräsentations­bildung, sondern auch beim Clustering selbst Vorteile bringt. Das neue Verfahren, Hyperbolic Clustered GCD (HC‑GCD), lernt Embeddings im Lorentz‑Hyperboloid‑Modell und wendet anschließend einen hyperbolischen K‑Means‑Algorithmus direkt im hyperbolischen Raum an.

Die Experimente wurden auf den Datensätzen des Semantic Shift Benchmark durchgeführt. HC‑GCD erreicht dabei eine Genauigkeit, die mit dem bisher führenden hyperbolischen GCD‑Ansatz vergleichbar ist. Darüber hinaus liefert der hyperbolische K‑Means deutlich bessere Ergebnisse als der herkömmliche euklidische K‑Means, insbesondere bei der Erkennung neuer, bislang unbekannter Klassen.

Durch gezielte Ablation‑Studien wurde deutlich, dass das Beschneiden der Norm der euklidischen Embeddings die Cluster‑Genauigkeit für unbekannte Klassen senkt, während die Leistung bei bekannten Klassen steigt – ein Effekt, der je nach Datensatz unterschiedlich ausgeprägt ist. Außerdem führt die hyperbolische Cluster‑Methode zu konsistenteren Clustern, wenn die Label‑Granularität variiert wird.