大幅降维不减精度
把特征约简从统计后处理变成深度网络内的端到端优化，且从理论上保证任意两样本的欧氏距离在处理前后严格相等，从而在把特征从 1024~14336 维大幅压缩的同时不丢失判别信息。
Wang, Guan’An · 黄晓雯 · 杨阳 · Tiwari, Prayag · 长江
Neural Networks 2024
通过矩阵分解推导出保持欧氏距离的条件，从理论上保证任意两样本特征在处理前后距离相等，因此降维不会破坏样本间的相对关系。
将矩阵分解过程集成到深度神经网络中，支持批量训练和端到端优化，同时保持理论保证，克服了训练后降维方法无法在大数据上端到端优化的局限。
利用距离保持性质，无需将不匹配的特征投影到类别、空间或相似度空间，直接在特征空间进行蒸馏，更灵活高效且减少信息损失。