本文介绍了如何将分类变量映射为欧氏空间中的实体嵌入，通过在标准监督训练过程中让神经网络进行学习。实体嵌入不仅可以减少内存使用和加速神经网络，更重要的是通过将相似的值映射到嵌入空间中靠近的位置，揭示了分类变量的内在属性，并帮助神经网络在稀疏且统计学未知的数据集上更好地泛化，因此在具有许多高基数特征的数据集上尤其有用，并且可以用于可视化分类数据和数据聚类。

Apr, 2016

我们提出了一个新颖的框架，将定性数据纳入定量模型进行因果估计，通过功能分析将观察到的类别嵌入到拉塞尔核希尔伯特空间中，引入连续线性映射以建立因果模型中的类别变量的识别结构，并通过全面的模拟实验证实了模型的有效性，并在一个电子商务市场的实证研究中对比证明了我们的模型在定性信息复杂的情景中的卓越性能。

Aug, 2023

CoVeR 是一种新的张量分解模型，可以有效地学习向量嵌入和其相关协变量，同时具有解释性，通过实验验证获得了很好的效果。

Feb, 2018

提出了一种新颖的算法，用于通过非线性嵌入向量到低维欧氏空间中进行监督判别距离学习，该方法可以被视为核神经网络，并且可以通过类似于线性 Mahalanobis 距离度量学习算法的近似核化得出，该方法的模型参数数量和测试时间评估复杂度均为 O (dD)，其中 D 是输入特征的维度，d 是投影空间的维数，在具有数十万个训练对的 CNN 特征的数据集上进行了实证比较。

Sep, 2015

本文介绍了一种将概念邻居纳入考虑的方法来学习区域向量表示，从而得到更加准确的基于区域的表示。

Dec, 2019

为建立成功的推荐系统，我们需要针对用户偏好和物品属性描述寻找关键维度，其中在像服装推荐等领域，将用户偏好解释为建模所需的物品的视觉外观也使得推荐变得更具挑战性，因此本论文提出了一种采用新型层次嵌入结构，可以同时考虑高层次（颜色、暗度等）和微妙（例如休闲度）的视觉特征维度，以应对真实世界数据集的稀疏性、可变性和规模。

Apr, 2016

本文探讨了基于互联网图像和相关文本标签的图像搜索、标签搜索和图像注释等任务，采用典型相关分析（CCA）方法将视觉和文本特征映射到同一隐藏向量空间，在此基础上，引入了表示高级图像语义的第三个视图来训练三个视图的嵌入，并结合多种视觉特征进行训练，实现了高效的嵌入式检索。

Dec, 2012

本文利用 Poincaré 球模型的超几何结构作为潜变量空间，研究了 VAE 在这个空间的运用，该方法在嵌套数据结构下表现出色，并展现了超几何结构对于 VAE 的优越性。

Jan, 2019

图像分类是数据分析中的一个主要任务，其中需要关注解释性模型；本研究提出了一个结合全局和局部知识优势的生成式解释模型来解释图像分类器，通过一种表征学习方法实现了对每个样本的解释，并将其与现有方法进行了对比，结果表明该方法能够取得更高的准确度。

Jun, 2024

本研究提出一种基于向量空间嵌入的方法，通过 Wikipedia 学习实体的嵌入并将其限制在某些较低维度子空间中，以解决概念空间表示建模自动化的局限性，实验结果表明这些子空间能够作为近似的概念空间表示，其重要特征可以被建模为方向，而自然属性则往往对应于凸区域。

Feb, 2016