arXiv cs.LG· Xingrun Li, Sho Kuno, Yusuke Mukuta, Xin Yang, Tatsuya Harada·· 11 小时前AI 评分13
双曲表示学习在多分类数据上的隐式偏差：Busemann 风险视角
The Implicit Bias of Hyperbolic Representation Learning for Multiclass Data: A Busemann Risk Perspective
AI 导读
研究固定类原型下双曲多分类中 Riemannian 梯度流的隐式偏差，框架覆盖交叉熵等一般 PERM 损失。证明径向二分性：漂移系数 μ 为正时半径趋于理想边界且 r(t)=½log t+O(1)，持续为负则有限时间内回到大半径阈值；边界方向收敛到 Busemann 风险的临界点，为边界饱和与近边界聚类提供渐近解释。该工作已被 NeurIPS 2026 接收为 Spotlight。
来源：arXiv cs.LG · arxiv.org