用于对抗生成的双曲表示自编码

随着几何深度学习的近期进展，神经网络已被广泛用于非欧几里得域中的数据。特别地，双曲神经网络在处理数据的层次信息方面已被证明是成功的。然而，许多双曲神经网络在训练期间数值不稳定，这阻碍了使用复杂架构。这一关键问题使得为真实和复杂数据构建双曲生成模型变得困难。本工作中，我们提出一种双曲生成网络，其中我们设计了新颖的架构与层以改善训练稳定性。我们提出的网络包含三部分：第一，一个为输入数据产生双曲嵌入的双曲自编码器（AE）；第二，一个用于从简单噪声生成 AE 的双曲潜在嵌入的双曲生成对抗网络（GAN）；第三，一个继承自 AE 的解码器与 GAN 的生成器的生成器。我们将此网络称为双曲 AE-GAN，简称 HAEGAN。HAEGAN 的架构促进了双曲空间中的具表现力的表示，而层的具体设计确保了数值稳定性。实验表明，HAEGAN 能够生成复杂数据，并在结构相关性能上达到最先进水平。