쌍곡 비전-언어(vision-language) 모델(VLM)은 계층 구조에 자연스럽게 적합한 기하학적 공간에서 이미지와 텍스트 특징을 표현하지만, 다운스트림 작업으로의 적응은 주로 고정된 프롬프트(prompt)에 의존해 왔습니다. 반면 기존의 프롬프트 학습 방법들은 클래스 레이블을 평면적인 집합으로 다루며 활용 가능한 분류 체계(taxonomic) 구조를 활용하지 못합니다. 본 논문에서는 고정된(frozen) 쌍곡 VLM을 위한 계층적 프롬프트 학습 플러그인을 통해 이러한 간극을 해결합니다. 고정된 오프라인 부모-클래스 계층 구조가 주어지면, 클래스 프롬프트 학습기에 별도의 부모 프롬프트 학습기, 부모 수준의 지도(supervision), 쌍곡 함의 정규화(regularization), 그리고 부모 피드백 로짓(logit) 융합을 추가하여 확장합니다. 본 연구는 이 방식을 CoOp, CoCoOp, MaPLe에 적용하여 각각 HyPLO, CoHyPLO, MaHyPLO를 구현했습니다. 표준 11개 데이터셋(dataset) 벤치마크 전반에서 모든 변형 모델은 베이스-신규(base-to-new) 일반화 및 데이터셋 간 전이 성능을 향상시키며, 도메인 시프트(domain shift) 상황에서도 기존 프롬프트 학습 베이스라인과 대등한 성능을 유지합니다. 6가지 계층적 지표와 임베딩(embedding) 분석 결과, 본 방법이 분류 체계 측면에서 더 일관된 예측을 생성하며 쌍곡 공간에서 부모, 클래스, 이미지 임베딩 간의 계층 일관적인 구조화를 유도함을 보여줍니다. 성능 향상은 새로운 클래스를 고정된 분류 체계 내에 배치해야 할 때 가장 컸으며, 형제 클래스 간의 미세한 혼동이나 이미지 분포에만 영향을 미치는 시프트의 경우에는 가장 작았습니다.
항공-지상 보행자 재식별(AG-ReID)은 이종(heterogeneous) 항공 및 지상 카메라 플랫폼에서 동일 인물을 검색하는 것을 목표로 한다. 큰 진전이 이루어졌음에도 불구하고, 기존 방법들은 뷰 간 직접적인 특징(feature) 정렬에 의존하여 뷰별 단서를 간과함으로써 최적 이하의 성능에 머물러 있다. 이 문제를 해결하기 위해 우리는 AG-ReID를 위한 새로운 계층적 쌍곡 표현(HiHR, Hierarchical Hyperbolic Representation) 프레임워크를 제안한다. 구체적으로, 먼저 사전학습된 시각-텍스트 인코더를 기반으로 다중 세분성(multi-granularity) 특징을 추출한다. 이후 텍스트 유도 다중 세분성 융합(TMF, Text-guided Multi-granularity Fusion)을 제안하여 다중 세분성 특징을 융합하고 아이덴티티 특징의 표현 능력을 향상시킨다. 나아가 쌍곡 공간(hyperbolic space)에서 계층적 특징 구조를 구성하는 계층적 쌍곡 학습(HHL, Hierarchical Hyperbolic Learning)을 도입한다. 이 계층 구조는 아이덴티티 분리 가능성과 뷰 간 일관성을 보장하는 거친 수준(coarse level)과, 뷰별 판별적 단서를 보존하는 세밀한 수준(fine level)으로 구성된다. 결과적으로 제안된 프레임워크는 AG-ReID를 위한 뷰 불변(view-invariant) 및 뷰별 판별적 특징을 효과적으로 집약할 수 있다. 4개의 AG-ReID 벤치마크에 대한 광범위한 실험을 통해 프레임워크의 효과를 입증한다. 소스 코드는 https://github.com/YangQiWei3/HiHR 에서 확인할 수 있다.
분류 체계(taxonomy)는 개념 간의 의미론적 관계와 시각 및 언어의 내재적 구조에 관한 핵심 정보를 제공한다. 대규모 멀티모달 모델(LMM)은 뛰어난 능력에도 불구하고 분류 체계 지식이 부족한 경우가 많아, 계층적 시각 인식(HVR) 일관성이 낮게 나타난다. 이러한 모델들은 미세조정 시 언어 모델링 목표만을 활용하며, 명시적인 분류 체계 인식 정규화가 부재하다. 이를 해결하기 위해, 우리는 LMM의 계층적 일관성을 향상시키는 간단한 플러그-앤-플레이 정규화기인 계층적 표현 정규화($HiR^2$)를 제안한다. 구체적으로, 텍스트 단서의 안내를 받아 중간 LLM 레이어에서 거친 수준부터 세밀한 수준까지의 시각적 특징을 추출하는 의미 인식 시각 트리 구성 프레임워크를 도입한다. 정규화기는 두 가지 상보적 목표를 결합한다: 로렌츠 모델의 쌍곡 포함 콘(hyperbolic entailment cones)을 통해 계층 구조를 강제하는 분류 체계 포함 손실(taxonomic entailment loss)과, 반경 방향의 계층 구조를 교란하지 않으면서 단위 구면 위에서 의미론적으로 유사한 임베딩의 각도 분리를 촉진하는 판별적 분산 손실(discriminative dispersive loss)이다. 광범위한 실험을 통해 $HiR^2$가 다양한 LMM 및 미세조정 방법에 걸쳐 분류 체계 구조를 효과적으로 포착함을 입증한다. 코드는 https://github.com/PKU-ICST-MIPL/HiR2_ICML2026 에서 공개되어 있다.
CLIP의 장문 맥락(>77 토큰) 이해 시 텍스트 변형에 취약한 문제를 해결하기 위해, HyFL-CLIP은 교차 다양체 유사도 증류(cross-manifold similarity distillation)를 통해 유클리드 CLIP의 텍스트-이미지 정렬을 쌍곡 공간으로 전이하고 Einstein midpoint 집계를 활용한 계층적 함의(hyperbolic entailment)로 부분-전체 관계를 모델링한다. 다양한 장문 교차 모달 검색 벤치마크에서 기존 최고 방법 대비 최대 19.5%의 성능 향상을 달성하며, Stable Diffusion XL(SDXL)에도 원활히 통합됨을 보인다.
6G·엣지 지능형 네트워크에서 집계 지연·처리량 중심의 기존 연합 라우팅이 공정성과 토폴로지 기하구조를 간과하는 한계를 다루기 위해 Geo-FairFed를 제안하며, 쌍곡 그래프 신경망(HGNN)으로 위계적·비대칭 연결을 음곡률 매니폴드에 임베딩하고 Jain 공정성 지수 기반 곡률 정규화 연합 집계로 노드 간 균형 잡힌 라우팅을 학습한다. 동적 6G-엣지 및 IoT 토폴로지 시뮬레이션에서 최첨단 연합·기하학적 라우팅 대비 평균 지연 20% 감소, 에너지 소비 17% 절감, 공정성 최대 21% 개선을 보였다.
Vision-Language Models (VLMs) are typically pre-trained on large-scale image-text datasets to capture semantic correspondences between visual content and natural language. However, they remain surprisingly brittle to negation: models often rely on shallow word co-occurrence and are easily distracted by misleading or irrelevant textual cues, even when their overall retrieval or classification performance is strong. Moreover, directly finetuning on negation data can interfere with previously acquired knowledge, causing noticeable degradation on standard vision-language benchmarks. To tackle these issues, this work introduces HANCLIP (Hyperbolic + Angular + Negation), a family of VLMs that explicitly restructures the embedding space to encode "what an image is not" alongside "what it is." HANCLIP is trained on a compact set of 20,000 image-text quadruplets and combines a hyperbolic formulation, which models hierarchical semantic relations and asymmetries, with an angular triplet objective that drives systematic separation between negated descriptions and their corresponding positives. This geometry-aware design strengthens negation sensitivity while preserving the global structure of pretrained representations, rather than overwriting them. Extensive experiments across multiple vision-language tasks show that HANCLIP delivers consistent gains on the negation-focused NegBench benchmark, while maintaining competitive or improved performance on standard classification and image-text retrieval benchmarks. The framework is model-agnostic and can be plugged into CLIP, LongCLIP, SmartCLIP, and HiMo-CLIP without large-scale retraining, demonstrating that a carefully designed geometric objective can substantially extend the reasoning capabilities of existing VLMs using only modest additional data.