# AIの『賢い節約術』〜 Matryoshka Representation Learning で縮めてみよう 〜 - ENGINEERING BLOG ドコモ開発者ブログ

この記事は、Advent Calendar 2025の18日目の記事になります。 はじめに こんにちは。サービスイノベーション部の石井です。 業務では大規模モデル*1や需要予測等の技術を活用したマーケティング支援を行なっております。 データサイエンスでは、テキストやグラフといったデータから意味のある特徴表現を抽出する「埋め込みベクトル」を扱う機会が多くあります。OpenAIやGeminiといった主要なプラットフォームでも高性能なエンベディングモデルが提供*2されており、高次元で非常に高い表現能力を持つベクトルを獲得できるようになっています。そして、昨今のモデルでは、同一のモデルから次元の異なる複数の埋め込みベクトルを抽出できる仕組みが実装されています。この技術が「Matryoshka Representation Learning」（以下、MRL）です。 個人的には、この MRL は埋め込

[sh19910711]

"単一の埋め込みベクトルの中に様々な粒度の情報が入れ子構造で格納されるようにモデルを学習する / 速度やコストを優先する場合は部分的な低次元の埋め込みベクトル"