Prozess der Erstellung gemeinsamer Vektorrepräsentationen (Embeddings) für verschiedene Datentypen oder Modalitäten (z.B. Text und Bild, Audio und Video) in einem einheitlichen Vektorraum (dem "Joint Embedding Space"). Ziel ist es, semantische Beziehungen und Korrelationen zwischen den unterschiedlichen Datenformen zu erfassen und Vergleiche oder kombinierte Verarbeitungen zu ermöglichen.