Polaris：用于层次概念学习的耦合轨道极坐标嵌入
机器学习
2026-05-04 v1
摘要
现实世界的知识常以层次结构形式存在，如产品分类学、医学本体和标签树，但由于非对称结构和噪声语义，学习层次表示具有挑战性。我们引入 Polaris，一种极坐标球面嵌入框架，通过角度几何和半径分离语义性和层次性，使能够在不相互干扰的情况下学习含义和结构。要将潜在表示映射到球面，我们将其投影到北极切空间，应用指数映射，并使用球面线性层学习单位范数表示。Polaris 然后结合鲁棒的局部约束、防止几何坍缩的全局正则化，以及鼓励方向包含的不确定性感知非对称目标。在推理阶段，Polaris 使用结构引导的检索来有效地缩小候选父节点的范围，然后进行最终排序。在不同设置的分类树扩展上进行评估——spanning trees、multi-parent DAGs 和多模态层次结构，结果显示在 14 个强大基线上实现了最高可达约 19 分的 Top-K 检索提升和约 60% 的平均排名降低。
引用
@article{arxiv.2605.00265,
title = {Polaris: Coupled Orbital Polar Embeddings for Hierarchical Concept Learning},
author = {Sahil Mishra and Srinitish Srinivasan and Sourish Dasgupta and Tanmoy Chakraborty},
journal= {arXiv preprint arXiv:2605.00265},
year = {2026}
}
备注
Accepted to the 43rd International Conference on Machine Learning (ICML 2026)