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