作为一般框架，基于成对相似性矩阵的Laplacian嵌入可从高维数据推断低维表示。 但是，它通常存在三个问题：1）算法性能对邻居的大小敏感； 2）算法遇到众所周知的小样本量（SSS）问题； 3）该算法不强调小距离对。 为了解决这些问题，在这里我们提出使用矩阵指数的指数嵌入，并提供用于降维的通用框架。 在框架中，矩阵指数可以通过特征相似矩阵上的随机游走来粗略地解释，因此更加健壮。 矩阵指数的正定性处理SSS问题。 指数嵌入的衰减函数的行为在强调小距离对时更为重要。 在此框架下，我们应用矩阵指数来扩
