---
title: "高維度與高階特徵（High）"
slug: high
language: zh-TW
source: https://aiterms.tw/terms/high
updated_at: 2026-06-27
tags: [機器學習, 特徵工程, 資料處理, 電腦視覺, source:arxiv]
ipas_term: false
---

# 高維度與高階特徵（High）

指特徵空間中的極高維度狀態，或深度學習模型萃取出具備高度抽象、全局觀念與豐富語意的高階向量表示。

## 完整說明

High 是一種描述資料複雜度與深層網路抽象表示的概念，用於表徵高維度空間或具豐富語意的高階特徵。它能夠透過非線性降維處理複雜模式識別，克服維度災難問題。常見應用包括自然語言的高維詞嵌入、電腦視覺語意分割及推薦系統高維矩陣分解。

## 常見問題

### 什麼是維度災難（Curse of Dimensionality），人工智慧技術如何克服它？

維度災難是指當資料特徵維度過高時，資料空間的體積呈指數級別增長，導致樣本點之間變得極度稀疏。這會讓傳統距離度量失效，模型極易陷入過擬合。現代深度學習主要透過非線性降維，將高維資料映射到低維的潛在流形上，並利用自編碼器、權重正則化與注意力機制提取最具代表性的高階特徵，從而有效克服此空間擴張問題。

### 高階特徵（High-Level Features）與低階特徵的根本差異為何？

低階特徵通常是資料表面的原始物理屬性，例如影像中的邊緣、角點、色彩梯度，或是文字中的單一字母與詞頻。高階特徵則是透過神經網路多層次非線性轉換後所萃取出的抽象概念，例如影像中是否包含特定動物、照片的情緒氛圍，或是文本的整體語義與隱含邏輯。高階特徵更接近人類的高級認知過程，是達成複雜認知任務的基礎。

### 為什麼在處理高維度向量時，通常偏好使用餘弦相似度而非歐氏距離？

在高維度空間中，任意兩個隨機生成的點之間的歐氏距離會趨向於一個常數，失去了對資料差異的區分度。此外，高階特徵向量的長度常常受字詞頻率或特徵激活強度的物理影響而產生巨大波動。餘弦相似度只關注兩個向量在多維空間中的夾角與方向一致性，這更能精準反映高階特徵在語義上的關聯程度，因此在語言模型中被廣泛採用。

---

來源：https://aiterms.tw/terms/high
快查頁：https://aiterms.tw/terms/high
最後更新：2026/06/27
深度解說：https://aiterms.tw/learning/what-is-high