潜空间 (机器学习)

潜空间（Latent Space）也被称为潜特征空间或嵌入空间，是一组元素在流形内的嵌入，相似的元素在潜空间内的距离较小。潜空间中的位置由一组潜变量定义，这些潜变量产生于元素间的相似性。

大多数情况下，潜空间的维度都要设定得低于数据点特征空间的维度，意味着潜空间的构建实际上是降维，也可看作是数据压缩的一种形式。^[1]潜空间通常通过机器学习进行拟合，然后可被用作机器学习模型的特征空间，包括分类器等监督预测器。

对机器学习模型潜空间的解释是一个活跃的研究领域，但很难实现。由于机器学习模型的黑箱性质，潜空间可能是完全不直观的。此外，潜空间往往是高维、复杂、非线性的，进一步增加了解释的难度。^[2]一些可视化技术用于将潜空间展现出来，但潜空间的解释和模型本身往往没有直接联系。这类技术包括t分布随机邻域嵌入（t-SNE），其中潜空间被映射到二维以实现可视化。潜空间中的距离难以用物理单位表达，所以对距离的解释取决于具体应用。^[3]