Resumen: La geometría hiperbólica es una geometría eficaz para incrustar estructuras de datos jerárquicas. Por lo tanto, el aprendizaje hiperbólico se ha vuelto cada vez más prominente en las aplicaciones de aprendizaje automático donde los datos están organizados jerárquicamente o se rigen por una semántica jerárquica, que va desde sistemas de recomendación hasta visión por computadora. La calidad de las incrustaciones hiperbólicas está estrechamente ligada a la estructura de la jerarquía de entrada, que a menudo se deriva de grafos de conocimiento u ontologías. Trabajos recientes han descubierto que para una incrustación hiperbólica óptima, un factor de ramificación alto y una herencia única son clave, mientras que los algoritmos de incrustación son resistentes al desequilibrio y al tamaño de la jerarquía. Para ayudar a los ingenieros del conocimiento a reorganizar el conocimiento jerárquico, este artículo investiga si los modelos de lenguaje grande (LLM) tienen la capacidad de reestructurar jerarquías automáticamente para cumplir con estos criterios. Proponemos un enfoque basado en indicaciones para transformar las jerarquías existentes utilizando LLM, guiados por deseos conocidos de incrustaciones hiperbólicas. Los experimentos en 16 jerarquías diversas muestran que las jerarquías reestructuradas por LLM producen consistentemente incrustaciones hiperbólicas de mayor calidad en varias métricas de calidad de incrustación estándar. Además, mostramos cómo la reestructuración jerárquica guiada por LLM permite reorganizaciones explicables, proporcionando justificaciones a los ingenieros del conocimiento.
Publicado originalmente en export.arxiv.org el 26 de noviembre de 2025.
Ver fuente original
