嵌入通过将这些数据点映射到嵌入空间中接近相似的可见数据点的位置来处理稀有或看不见的数据。例如，如果遇到稀有单词或图像，则可以通过在模型中的现有嵌入中找到最接近的匹配来表示它。这在零射击学习这样的情况下特别有用，在这种情况下，模型需要对以前从未遇到过的类或数据进行预测。
在某些情况下，罕见或看不见的数据的嵌入可能不如更常见的数据准确，特别是如果模型没有经过足够的多样性训练。然而，像那些用无监督或自我监督学习训练的模型可以通过学习广泛的模式和关系来很好地推广到新数据。像迁移学习这样的技术，在特定任务上对来自预训练模型的嵌入进行微调，也可以提高对看不见的数据的性能。
虽然嵌入通常擅长处理看不见的数据，但在缺乏相关上下文或足够的训练数据的情况下，它们仍然可能会遇到困难。因此，嵌入的泛化能力取决于用于训练模型的数据的多样性和质量，以及手头的特定任务。