可以从以下几个方面理解矩阵分解后的低维矩阵：

（1）单个样本的新的特征表达（可用于计算样本在另外一个空间的距离，用于聚类，或者求相似样本，或者距离约束等；可以以新的特征表达的形式用于训练模型，如分类；）

（2）自适应聚类：通过对分解后的向量的约束，如VQ约束（一个向量有且只有一个元素部位0），得到该向量所属类别（非0元素所对应的下标即为所属类别），从而达到聚类目的

（3）NMF的parts-based分解：即把原数据表（画像，图像等）分解成一个个小的部分

（4）信息压缩与还原：信息储存

（5）特征提取：要的是特征向量，这些特征能够更好的还原数据，与（4）有一定的重合

综上：主要可以从宏观和微观两个角度思考。宏观上：特征空间，数据的压缩与还原，数据源的特征提取，parts提取；微观上：单个样本形式的重新表达，计算样本之间的关系。

思考：以上描述，哪些可用于不同领域之间的Transfer