ننظر إلى مشكلة التصنيف متعدد التصنيفات حيث تقع التصنيفات ضمن هرمية. ومع ذلك، على عكس معظم الدراسات الحالية في مجال التصنيف متعدد التصنيفات الهرمي، لا نفترض أن الهيكل الهرمي للتصنيفات معروف مسبقًا. مستوحين من النجاح الأخير للتمثيلات الزائدية (hyperbolic embeddings) في التقاط العلاقات الهرمية، نقترح التعلم المشترك لمعاملات الفاصل (classifier parameters) وتمثيلات التصنيفات (label embeddings). يُتوقع أن يوفر هذا التعلم المشترك ميزة مزدوجة: أولاً، يتحسن أداء التعميم للفاصل لأنه يستفيد من المعرفة المسبقة بوجود هيكل هرمي بين التصنيفات؛ وثانيًا، إلى جانب معلومات التواجد المشترك بين التصنيفات، يمكن لتمثيلات التصنيفات أن تستفيد أيضًا من البنية المتعددة (manifold structure) للنقاط المدخلة، مما يؤدي إلى تمثيلات أكثر دقة ومواءمة مع الهيكل الهرمي للتصنيفات. نقدم صيغة جديدة للتعلم المشترك ونُقيّم فعاليتها تجريبيًا. تُظهر النتائج أن التعلم المشترك يتفوق على النموذج الأساسي الذي يستخدم تمثيلات زائدية مُدرّبة مسبقًا بناءً على التواجد المشترك بين التصنيفات. علاوة على ذلك، تحقق النماذج المقترحة أفضل أداء في التعميم مقارنة بالطرق المتطورة الحالية على المعايير القياسية. كما نُقدّم تقييمًا لتمثيلات الزائدية الناتجة عن التعلم المشترك، ونُظهر أنها تمثل الهيكل الهرمي بدقة أعلى مقارنة بالبدائل الأخرى.