埋め込みモデル（エンベディングモデル）は、データを数値ベクトルに変換し、機械学習モデルが処理しやすい形式にする技術です。以下に、代表的な埋め込みモデルの種類と、それぞれの有名な具体的なモデル名を5つずつ挙げます。
1. 単語埋め込みモデル（Word Embeddings）
Word2Vec: Googleが開発したモデルで、単語の意味的な類似性をベクトル空間上で表現します。
GloVe: Stanford大学が開発したモデルで、共起行列を利用して単語の埋め込みを学習します。
FastText: Facebookが開発したモデルで、サブワード情報を考慮することで未知の単語にも対応可能です。
ELMo: 文脈に依存した単語の埋め込みを提供し、文の意味をより深く捉えます。
BERT: 双方向のトランスフォーマーモデルで、文脈を考慮した単語の埋め込みを生成します。
2. 文埋め込みモデル（Sentence Embeddings）
GloVe: Stanford大学が開発したモデルで、共起行列を利用して単語の埋め込みを学習します。
FastText: Facebookが開発したモデルで、サブワード情報を考慮することで未知の単語にも対応可能です。
ELMo: 文脈に依存した単語の埋め込みを提供し、文の意味をより深く捉えます。
BERT: 双方向のトランスフォーマーモデルで、文脈を考慮した単語の埋め込みを生成します。
2. 文埋め込みモデル（Sentence Embeddings）
Universal Sentence Encoder: Googleが提供するモデルで、文全体をベクトル化し、文の類似性計算などに利用されます。
Sentence-BERT: BERTを基盤にしたモデルで、文の意味的な類似性を高精度に捉えます。
InferSent: Facebookが開発したモデルで、高品質な文の埋め込みを提供します。
LASER: Facebookが提供する多言語対応の文埋め込みモデルで、93言語に対応しています。
SBERT-WK: BERTの層ごとの情報を活用して文の埋め込みを生成するモデルです。
3. 文書埋め込みモデル（Document Embeddings）
Sentence-BERT: BERTを基盤にしたモデルで、文の意味的な類似性を高精度に捉えます。
InferSent: Facebookが開発したモデルで、高品質な文の埋め込みを提供します。
LASER: Facebookが提供する多言語対応の文埋め込みモデルで、93言語に対応しています。
SBERT-WK: BERTの層ごとの情報を活用して文の埋め込みを生成するモデルです。
3. 文書埋め込みモデル（Document Embeddings）
Doc2Vec: Word2Vecの拡張版で、文書全体の埋め込みを学習します。
Paragraph Vector: 文書の意味を捉えるためのモデルで、Doc2Vecとも呼ばれます。
Latent Semantic Analysis (LSA): 文書と単語の共起情報を利用して、潜在的な意味構造を抽出します。
Latent Dirichlet Allocation (LDA): トピックモデルの一種で、文書中のトピック分布を学習します。
BERTSUM: BERTをベースにした文書要約モデルで、文書全体の埋め込みを生成します。
4. 画像埋め込みモデル（Image Embeddings）
Paragraph Vector: 文書の意味を捉えるためのモデルで、Doc2Vecとも呼ばれます。
Latent Semantic Analysis (LSA): 文書と単語の共起情報を利用して、潜在的な意味構造を抽出します。
Latent Dirichlet Allocation (LDA): トピックモデルの一種で、文書中のトピック分布を学習します。
BERTSUM: BERTをベースにした文書要約モデルで、文書全体の埋め込みを生成します。
4. 画像埋め込みモデル（Image Embeddings）
VGG: 深層畳み込みニューラルネットワークを用いたモデルで、画像の特徴を抽出します。
ResNet: 残差学習を導入したモデルで、深いネットワークでも効果的に学習可能です。
Inception: Googleが開発したモデルで、異なるサイズの畳み込みフィルタを組み合わせて特徴を抽出します。
EfficientNet: モデルサイズと精度のバランスを最適化したモデルで、高い性能を持ちます。
DenseNet: 各層が前のすべての層からの入力を受け取る構造で、特徴の再利用を促進します。
5. 音声埋め込みモデル（Audio Embeddings）
ResNet: 残差学習を導入したモデルで、深いネットワークでも効果的に学習可能です。
Inception: Googleが開発したモデルで、異なるサイズの畳み込みフィルタを組み合わせて特徴を抽出します。
EfficientNet: モデルサイズと精度のバランスを最適化したモデルで、高い性能を持ちます。
DenseNet: 各層が前のすべての層からの入力を受け取る構造で、特徴の再利用を促進します。
5. 音声埋め込みモデル（Audio Embeddings）
OpenL3: 音声や音楽の特徴を抽出するモデルで、音声分類や音楽情報検索に利用されます。
VGGish: Googleが提供するモデルで、音声データの特徴抽出に特化しています。
YAMNet: VGGishをベースにしたモデルで、音声イベントの分類に使用されます。
DeepSpeech: Mozillaが開発した音声認識モデルで、音声の埋め込みを生成します。
wav2vec: Facebookが開発したモデルで、音声信号から直接特徴を学習します。
6. 多言語対応埋め込みモデル
VGGish: Googleが提供するモデルで、音声データの特徴抽出に特化しています。
YAMNet: VGGishをベースにしたモデルで、音声イベントの分類に使用されます。
DeepSpeech: Mozillaが開発した音声認識モデルで、音声の埋め込みを生成します。
wav2vec: Facebookが開発したモデルで、音声信号から直接特徴を学習します。
6. 多言語対応埋め込みモデル
MUSE: Facebookが開発した多言語埋め込みモデルで、異なる言語間の単語の対応関係を学習します。
LASER: Facebookが提供するモデルで、93言語に対応した文の埋め込みを生成します。
mBERT: BERTの多言語版で、複数の言語に対応した埋め込みを提供します。
XLM-R: Facebookが開発した多言語対応のトランスフォーマーモデルで、高性能な埋め込みを生成します。
LaBSE: Googleが提供する多言語対応の文埋め込みモデルで、112言語に対応しています。
7. 日本語対応の埋め込みモデル
LASER: Facebookが提供するモデルで、93言語に対応した文の埋め込みを生成します。
mBERT: BERTの多言語版で、複数の言語に対応した埋め込みを提供します。
XLM-R: Facebookが開発した多言語対応のトランスフォーマーモデルで、高性能な埋め込みを生成します。
LaBSE: Googleが提供する多言語対応の文埋め込みモデルで、112言語に対応しています。
7. 日本語対応の埋め込みモデル
cl-nagoya/sup-simcse-ja-large: 名古屋大学が提供する日本語の文埋め込みモデルで、高精度な類似度計算が可能です。
pkshatech/GLuCoSE-base-ja: 日本語の文書検索や類似度計算に特化したモデルです。
intfloat/multilingual-e5-large: 多言語対応の埋め込みモデルで、日本語にも対応しています。
openai/text-embedding-ada-002: OpenAI
pkshatech/GLuCoSE-base-ja: 日本語の文書検索や類似度計算に特化したモデルです。
intfloat/multilingual-e5-large: 多言語対応の埋め込みモデルで、日本語にも対応しています。
openai/text-embedding-ada-002: OpenAI
