O que medimos
O programa testou curvatura constante (hiperbólica) e curvatura variável aprendida para recuperação, sob comparação justa: mesma dimensão, mesmos bytes, mesmo protocolo. Nenhuma das duas ganhou do espaço euclidiano.
Por que o resultado faz sentido
No modelo de Lorentz, a distância hiperbólica é uma função monótona de um produto interno com um sinal trocado:
d_{mathbb H}(x,y)=operatorname{arcosh}!ig(-langle x,y
angle_{mathcal L}ig),qquad langle x,y
angle_{mathcal L}=-x_0y_0+ extstylesum_{ige1}x_iy_i
Ordenar por distância hiperbólica é ordenar por um produto interno. Em dimensão alta, os vetores de modelos hiperbólicos pré-treinados ficam numa casca fina, e o cosseno comum reproduz a ordenação geodésica quase por completo.
O que a literatura diz
- Em grafos de conhecimento a 32 dimensões, a vantagem hiperbólica é de décimos de ponto; os próprios autores relatam desempenho similar em 500 dimensões (Chami e coautores, 2020).
- Uma reavaliação achou um erro no baseline euclidiano de um benchmark muito usado; corrigido, o modelo euclidiano empata ou vence (Katsman e Gilbert, 2025).
- Em hierarquias puras e poucas dimensões, o ganho é grande: é aí que a linha continua viva (Nickel e Kiela, 2017).
Registro: a geometria hiperbólica é uma linha de pesquisa real e ativa. Ela não serve para acelerar embeddings de texto de alta dimensão, mas representa bem hierarquias em dimensão baixa.
Discussão
O fórum ainda não foi ligado. As discussões ficam no GitHub Discussions do repositório, via Giscus. Para ativar:
- Deixe o repositório público e ative Discussions em Settings.
- Crie as categorias Caminhos, Perguntas, Resultados e reproduções e Propostas novas.
- Instale o app em github.com/apps/giscus.
- Gere os IDs em giscus.app e preencha
GISCUS em src/config.ts.
