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.

In der neuen Studie wird ein krümmungsbewusstes de Branges‑Rovnyak‑Raum vorgestellt, ein reproduzierendes Kernhilbert‑Raum, der isometrisch zum Poincaré‑Ball ist. Durch einen anpassbaren Multiplikator kann das Modell dynamisch den passenden RKHS für jede gewünschte Krümmung auswählen – ein Schritt, der die Einbettung noch präziser macht.

Auf dieser Grundlage werden adaptive hyperbolische Kerne entwickelt, darunter ein neuartiger adaptiver hyperbolischer radialer Kernel. Seine lernbaren Parameter modulieren die hyperbolischen Merkmale gezielt auf die jeweilige Aufgabe. Umfangreiche Tests an visuellen und sprachlichen Benchmarks zeigen, dass diese Kerne bestehende hyperbolische Methoden deutlich übertreffen, wenn es darum geht, hierarchische Abhängigkeiten zu modellieren.