属性は、クラス間でのパラメータ共有を可能にする中間表現として機能し、学習データが限られている状況では必須である。本研究では、属性ベースの画像分類をラベル埋め込み（label-embedding）問題として捉える新しいアプローチを提案する。すなわち、各クラスを属性ベクトル空間内に埋め込む。本手法では、画像とラベル埋め込みの間の適合性を測る関数を導入する。この関数のパラメータは、ラベル付きサンプルから構成される学習データセット上で学習され、ある画像が与えられた際に、正解クラスが誤りクラスよりも高い順位に位置するように保証される。Animals With AttributesおよびCaltech-UCSD-Birdsデータセットにおける実験結果から、提案手法がゼロショット学習の設定において、従来の直接属性予測（Direct Attribute Prediction）ベースラインを上回ることが示された。ラベル埋め込みは、属性に加え、あるいは属性の代わりに、クラス階層やテキスト記述など、他の情報源を活用する内在的な能力を備えている。さらに、ラベル埋め込みは、ゼロショット学習からラベル付きサンプルが多数存在する通常の学習まで、幅広い学習設定を包括する。