嵌入通过创建数据的共享、低维表示来支持跨领域适应，这种表示捕获了可以在领域之间转移的底层模式。在机器学习中，嵌入将原始数据（如文本、图像或用户行为）转换为编码语义或结构关系的数值向量。这些向量通过抽象出特定于领域的细节，同时保留可泛化的特征，充当领域之间的桥梁。例如，在电影评论上训练的文本嵌入可能捕获与情感相关的模式（例如，正面/负面词语关联），这些模式也可以应用于不同领域的产品评论，即使词汇不同。
嵌入的一个关键优势在于它们能够减少在新领域中从头开始重新训练模型的需求。当将模型从源领域（例如，对医学图像进行分类）调整到目标领域（例如，卫星图像）时，嵌入可以对齐两个领域共有的特征。像领域对抗训练这样的技术会调整嵌入，使其在领域之间无法区分，从而迫使模型专注于共享特征。例如，经过训练可以检测 X 射线中肿瘤的模型可以通过将两种图像类型映射到强调“异常”特征的嵌入空间来适应检测制造零件中的缺陷，即使视觉背景不同。这种方法之所以有效，是因为嵌入抽象了高级概念，而不是依赖于像素级的相似性。
嵌入还支持像微调和特征投影这样的技术。在自然语言处理中，多语言 BERT 嵌入将来自不同语言的单词映射到一个共享空间中，允许在英语数据上训练的情感分类器通过对齐它们的嵌入来处理西班牙语文本。类似地，在推荐系统中，来自一个平台（例如，电子商务）的用户-项目交互嵌入可以适应另一个平台（例如，流媒体服务），方法是仅重新训练一部分层，同时保持嵌入层固定。开发人员可以使用像 CORAL（对齐嵌入分布）或对比学习（将相似的跨领域示例在嵌入空间中拉得更近）这样的方法进一步优化这个过程。这些策略使嵌入成为一种实用的工具，可以在不同的领域重用知识，而无需从零开始。