输入

例如：医生根据患者症状（环境输入）和医学知识（知），判断“应优先控制感染而非立即手术”（价值势）。

但是，如果输入的维度本身就是高维，或者超高维，那么就有可能在不需要引入巨量模型参数前，原本的空间就能得到很好的数据分离，也因此可以得到好的学习效果，且不需要再利用提及的判别分析技术将数据原本可呈现的几何、拓扑结构压缩扭曲。

至少在我的知识认知框架下，我还没见过，比如10的8次方的输入维度或更高数量级维度的输入特征。

那么，超高维输入维度的数据结构，以前有没有研究过呢？

即当输入数据的维度偏低时，才会导致数据集在原空间里，不同类的有可能挤到一起，傻傻分不清楚。

与深度学习可以无限制快速增加参数不一样的是，输入端的增加、合成是与生命科学仿生学材料工艺等学科密切相关的，而这些方向的发展都是实打实要消耗时间的，很多通过时间加速器来实现。

一个自然的问题是，如此高维的输入会有什么好处或优势呢？