姚梦娜提出的这个问题，对于常浩南来说，不难理解。

只是很难解决。

真要说起来的话，这涉及到文本挖掘、数据可视化、信息检索、数据挖掘、机器学习乃至人工智能等一系列问题。

如果真做到姚梦娜所设想的那样全自动化生产，那就是工业4.0了。

在1999年这个时间点上，显然不大现实。

但不可能完全实现这一整套东西，并不意味着其中没有可以作为突破口的部分。

比如数据挖掘和信息检索，就是千禧年附近很火热的研究方向。

这就导致如今他脑子里空有一大堆名词，但却不知道哪是破局的关键――

常浩南放下只吃了一口的羊汤面，蹭地站起身，快步离开食堂。

正在低头吃饭的姚梦娜一愣，旋即意识到常浩南这还是在思考刚才她提出来的问题。

常浩南思索半晌，又在纸上写下了三个基本条件：

但与此同时，这一组数据又往往不只能描述这一个含义。

给定一组高维数据x=rd，n为数据样本个数，d为高维数据的维数。

实际上，他此时就面临着无法从大量繁杂信息中提取出有价值信息的困境。

但常浩南仍然没有动筷子。

“信息……”

而反过来，现实中收集到的信息，在多数情况下，本身就是已经展开过的高维数据。

虽然她觉得在两位博士面前有点班门弄斧，但最后还是没忍住：

尽管仍然没有给出完整的思路，但是，他至少已经把三个抽象的基本条件解析成为了一个具体的数学问题。

3、提取到高质量的数据特征，提升后续的数据表示和分类任务的效果。

“你们说……”

朱雅丹满脑袋问号地抬起头，但看着常浩南思考的样子，很有自知之明地没有打扰。

再假设x中的数据样本来自于或近似来自于低维嵌入空间中的数据y=rd。

寻找一个从高维观测空间到低维嵌入空间的映射关系，使得yi=，以及一个一对一的重构映射关系-1，使得xi=-1。

“调料包大概占整包方便面重量的10%左右，如果少放或者多放，那应该很容易检测出来。”

而对于稍复杂一些的情况来说，要完全描述一个含义，往往需要一组数据。

而系统，则首先需要构建出一个完整且可行的思路出来。

“人类的大脑能够通过某种办法解析高维数据，从而获取对外部世界的感知。”

实际生活中面临的，其实大多数也是这种问题。

1、对原始高维数据进行压缩，降低原始高维数据的维度，进而节省存储空间，同时也降低高维数据的计算复杂度。

十五分钟后，三人已经围坐在了食堂二层的一个圆桌旁边。

回到办公室的常浩南重新找到了刚才那张纸。

不如先放松一下，换个思路。