単一ポジティブ多ラベル学習（SPMLL）は、各トレーニングサンプルが一つのポジティブラベルのみで注釈されるシナリオに挑む技術です。この問題は、複数のカテゴリーに属する可能性がある場合、その複雑なラベル関係や階層構造を捉えることが困難になります。従来の手法では、距離に基づく類似性を通じてラベル関係をモデル化していますが、異なる関係タイプの明示的な幾何学定義が欠けています。本研究では、SPMLLのための初の双曲線分類フレームワークを提案し、各ラベルを点やベクトルではなく双曲線ボールとして表現します。このアプローチは、階層構造の包含、共起パターンの重なり、意味的独立の分離といった複数の関係タイプを同時に捉えることを可能にします。また、温度適応型双曲線ボール分類器や、ボールを意味のある配置に導くための物理的インスピレーションを受けたダブルウェル正則化という2つのイノベーションを導入しました。実験結果は、4つのベンチマークデータセットでの конкурент性能を示し、従来の手法に対する優れた解釈性を確認しています。