超级会员免费看
高维数据/高维向量处理是一个庞大的方法体系，学界通常把它拆成两条主线：降维（Dimensionality Reduction） 和 向量检索（ANN Search），再辅以特征选择、正则化、专用模型等手段。"高纬度"我按"高维（high-dimensional）"理解，下面把主流与常见方法按表格方式汇总。
💡 现代 embedding 模型动辄产出 768～4096 维向量，暴力 k-NN 在百万级以上基本不可用——这是所有下面这些方法存在的根本原因。
一、降维方法（Dimensionality Reduction）
把高维向量压缩到低维空间，同时尽量保留关键信息。山东大学学报的综述将其分为线性降维与非线性降维两大类。
1. 线性降维
| 方法 |
核心思想 |
优点 |
缺点 |
典型场景 |
|---|---|---|---|---|
| PCA（主成分分析） |
对协方差矩阵做特征值分解，投影到最大方差的正交方向 |
简单、确定性、可解释性好、计算高效 |
订阅专栏 解锁全文
扫一扫
180
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
