这句话中有几个重要的概念，所以让我们分解它们。

“数据流形”

这是我们在机器学习问题中使用的常用模型，即将真实数据视为流形。我向您推荐Christopher Olah 关于该主题的这篇文章。

“嵌入对之间的插值”

生成新数据的一种方法是对神经网络学习的嵌入空间进行采样。例如，您可以获取两个真实数据样本，计算它们的嵌入，对它们进行插值以获得中间嵌入，然后在输入此中间嵌入时查看神经网络的输出。

“嵌入对之间的插值往往靠近数据流形”

在上一步之后，您的神经网络的输出应该是真实的。用数学术语来说，它应该接近真实数据流形。

这是生成模型的要点，例如生成对抗网络或变分自动编码器。他们学习将一些随机分布（通常是高斯分布）拟合到真实数据分布，并且他们学习将噪声“转换”为真实数据，反之亦然。

这通常被称为解缠结。正如文章在句子后引用的第一篇论文中所解释的那样，

如果训练有素，更深层次的表征往往会更好地解开潜在的变异因素。

换句话说，我们可以获得分离真实数据变化因素的深度嵌入。理想情况下，人脸的嵌入可以隔离控制头发颜色、嘴巴表情等的轴（例如TL-GAN）。但这些变化因素并不总是那么容易解释。