双曲随机森林

由于许多真实世界数据集具有隐式或显式的层次结构，双曲空间正成为表示数据的一个流行选择。随之而来的是对能够在双曲空间中解决分类等基本任务的算法的需求。最近，多篇论文研究了基于双曲超平面的分类器（如逻辑回归和SVM）的替代方案。尽管有效，这些方法在更复杂的层次数据上表现不佳。因此，我们提出将著名的随机森林推广到双曲空间。我们通过使用horosphere（双曲空间中的地平线球）重新定义分裂的概念来实现这一点。由于寻找全局最优分裂在计算上不可行，我们通过大间隔分类器寻找候选地平线球。为使双曲随机森林能在多类数据和类别不平衡实验中工作，我们进一步提出了一种基于最低公共祖先合并类别的方法，以及大间隔损失的类别平衡版本。在标准和新基准上的实验表明，我们的方法优于传统的随机森林算法和近期的双曲分类器。