유사도에서 계층 찾기
입력에 계층도가 직접 주어지지 않아도 대규모 유사도 점수에는 계층 관계의 단서가 들어 있을 수 있다. 이 연구는 연속적인 임베딩으로 그런 관계를 발견하는 문제를 다룬다.
모형에 따른 학습 차이
서로 다른 쌍곡 공간 모형을 비교하고 로런츠 모형에서 임베딩을 학습했다. 특히 낮은 차원에서 큰 분류 체계를 표현할 때 푸앵카레 공 방식과 효율 및 품질을 비교했다.
발견한 관계의 해석
실제 자료에서는 조직 구조와 언어 계통의 역사적 관계를 살폈다. 점들 사이의 유사도를 표현하는 데서 더 나아가 자료에 잠재된 계층을 드러내는 활용을 조사한 연구다.
관련 문서
푸앵카레 임베딩 / HGCN 쌍곡 그래프 합성곱 / 중첩 쌍곡 공간 학습 / 임베딩 / 계층적 군집화 / 표현 학습