低维嵌入（low-dimensional embedding），理学-计算机科学技术-人工智能-机器学习-特征学习，将数据从高维空间映射到低维空间的过程。在机器学习领域，有时人们观测或收集到的数据样本虽然是高维的，但是与学习任务密切相关的也许仅仅是某个低维分布，即高维空间中的一个“低维嵌入”（low-dimensional embedding）。在高维情形下往往会出现数据样本稀疏、距离计算困难等问题，这是所有机器学习方法共同面临的严重障碍，被称为“维数灾难”（curse of dimensionality）。缓解维数灾难的一个重要途径便是降维（dimension reduction），即通过某种数学变换将原始高维属性空间转变为一个低维“子空间”（subspace），在这个子空间中样本密度大幅度提高，距离计算也变得更为容易。一般来说，欲获得低维子空间，最简单的是对原始高维空间进行线性变换。给定维空间中的样本,变换之后得到维空间中的样本其中，是变换矩阵，是样本在新空间中的表示。变换矩阵可视为个维基向量，是第个样本与这个基向量分别做内积而得到的维属性向量。