指数族分布广泛应用于机器学习领域，涵盖连续和离散域中的多种分布（例如，高斯分布、狄利克雷分布、泊松分布以及通过Softmax变换得到的类别分布）。这些分布族中的每一类均具有固定的支撑集。相比之下，在有限离散域中，近期已有研究提出Softmax的稀疏替代方法（如Sparsemax和Alpha-Entmax），这类方法具有可变的支撑集，能够为无关类别分配零概率。本文从两个方向拓展了这一研究：首先，我们将Alpha-Entmax推广至连续域，揭示了其与Tsallis统计及变形指数族之间的联系；其次，我们提出了适用于连续域的注意力机制，并推导出在α ∈ {1, 2}时高效的梯度反向传播算法。在基于注意力的文本分类、机器翻译和视觉问答任务中的实验表明，该连续注意力机制可有效应用于一维和二维场景，实现对时间区间和紧凑空间区域的精准聚焦。