계층 자료의 확률 표현
쌍곡 공간은 계층 구조를 표현하는 데 쓰인다. 이 연구는 그 공간에서 결정적인 점 표현을 넘어 확률 모형을 학습할 수 있도록 가우스와 유사한 분포를 제안한다.
밀도와 표본 생성
분포의 밀도를 해석적으로 평가하고 파라미터에 대해 미분할 수 있게 한다. 거절 표본 추출 같은 보조 절차를 사용하지 않고도 표본을 생성할 수 있어 경사 기반 학습에 연결된다.
확률 모형으로의 활용
쌍곡 공간의 변분 오토인코더와 확률적 단어 임베딩을 응용으로 구성했다. 원 연구는 MNIST와 Atari Breakout 및 WordNet을 포함한 자료에서 분포의 유용성을 평가했다.
관련 문서
APo-VAE / 변분 오토인코더 / 푸앵카레 임베딩 / 로런츠 모형 계층 임베딩 / 확률 분포 / 잠재 변수