双曲线空间已成为一种有效的歧管，因为它们有效地表示层次数据结构的能力，即使对于低维嵌入也很少，它们也几乎没有变形。在选定的双曲线模型（例如庞加莱球）中，分类通常是通过利用符号距离函数到平面（陀螺仪）（陀螺仪）的双曲线函数或通过测量与虚拟固定原型的比对来进行的。我们在深度学习的环境中提出，以利用决策边界的不同表征：霍斯斯，它们是Busemann功能的级别。它们在几何上等效于在类似于原型的虚拟点上与双曲线空间边界相切。因此，我们定义了一个可以适应任何神经网络主链的新霍斯磷层。在以前的作品中，原型通常是均匀分布的，而无需对手头任务使用潜在可用的标签层次结构。我们还提出了一种基于Gromov-Wasserstein距离定位这些原型的层次知情方法。我们发现，原型的良好初始化和优化的组合改善了在层次数据集上的图像分类以及在图像和点云数据集中进行的两个序列分割任务中的基线性能。源代码将在接受后发布。