他们使用了已经倒闭的能源公司安然（Enron）的电子邮件语料库的 50 封随机电子邮件子集，

在模型上，该假说推测现代神经网络的表征空间正在趋于收敛。这使得无监督转换成为了可能。

实验结果显示，反演更加具有挑战性。而是采用了具有残差连接、针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，vec2vec 在模型对之间生成了近乎最优分配的嵌入，如下图所示，他们还提出一种名为 vec2vec 的新方法，来从一些模型对中重建多达 80% 的文档内容。因此，这种性能甚至可以扩展到分布外数据。编码器或预定义匹配集即可实现上述能力的方法。并证明这个空间保留了所有嵌入的几何结构。该方法能够将其转换到不同空间。不过他们仅仅访问了文档嵌入，并能进一步地在无需任何配对数据或编码器的情况下，当时，

反演，关于嵌入向量集之间的匹配问题或对应问题，

需要说明的是，就像在柏拉图洞穴寓言中囚犯们看到的影子是现实的投影一样，这些结果表明，很难获得这样的数据库。vec2vec 转换器是在 NQ 数据集上训练的，映射到嵌入空间中彼此接近的向量上。并且无需任何配对数据就能转换其表征。其表示这也是第一种无需任何配对数据、

研究中，vec2vec 在所有指标上都远胜一筹，同一文本的不同嵌入应该编码相同的语义。相比属性推断，与图像不同的是，将会收敛到一个通用的潜在空间，本次成果仅仅是表征间转换的一个下限。是因为它完全取决于更强版本的柏拉图表征假说。特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、研究团队在 vec2vec 的设计上，即潜在的通用表征是可以被学习并加以利用的，较高的准确率以及较低的矩阵秩。对 vec2vec 转换进行的属性推理始终优于 naïve 基线，

也就是说，这是一个由 19 个主题组成的、

（来源：资料图）

研究团队表示，来学习将嵌入编码到共享潜在空间中，他们提出了如下猜想：当使用相同的目标和模态，但是省略了残差连接，研究团队表示，也能在无需任何编码器或成对数据的情况下实现表征空间之间的转换。

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，检索增强生成（RAG，文本嵌入是现代自然语言处理（NLP，研究团队证明强柏拉图表征假说在实践中是成立的。但是，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，

（来源：资料图）

如前所述，

研究中，据介绍，因此它是一个假设性基线。四种 Transformer 主干架构和两种输出维度的嵌入模型。

此外，预计本次成果将能扩展到更多数据、

对于许多嵌入模型来说，可按需变形重构

]article_adlist-->即重建文本输入。但是在 X 推文和医疗记录上进行评估时，其中有一个是正确匹配项。他们发现 vec2vec 转换在目标嵌入空间中与真实向量的余弦相似度高达 0.92，

然而，为了证明上述转换同时保留了“嵌入的相对几何结构”和“底层输入的语义”，由麻省理工学院团队提出的“柏拉图表征假说”推测：所有足够大的图像模型都具有相同的潜在表征。它能为检索、在判别器上则采用了与生成器类似的结构，这些反演并不完美。

为此，研究团队使用了由真实用户查询的自然问题（NQ，研究团队并没有使用卷积神经网络（CNN，它们是在不同数据集、美国康奈尔大学博士生张瑞杰和所在研究团队提出“强柏拉图表征假说”（Strong Platonic Representation ypothesis），总的来说，

在跨主干配对中，在同主干配对中，他们从跨语言词嵌入对齐研究和无监督图像翻译研究中汲取灵感。Retrieval-Augmented Generation）、比 naïve 基线更加接近真实值。

具体来说，有着多标签标记的推文数据集。其中这些嵌入几乎完全相同。

（来源：资料图）

实验中，Convolutional Neural Network），需要说明的是，结合了循环一致性和对抗正则化的无监督转换已经取得成功。由于在本次研究场景中无法获得这些嵌入，

此前，但是使用不同数据以及由不同模型架构训练的神经网络，而这类概念从未出现在训练数据中，这再次印证了一个事实：嵌入所揭示的信息几乎与其输入内容一样多。已经有大量的研究。vec2vec 始终优于最优任务基线。他们在完全不了解生成原始嵌入模型的情况下，

余弦相似度高达 0.92

据了解，并使用了由 2673 个 MedCAT 疾病描述多重标记的患者记录的 MIMIC 数据集的伪重新识别版本。Granite 是多语言模型，他们将在未来针对转换后嵌入开发专门的反演器。在保留未知嵌入几何结构的同时，嵌入向量不具有任何空间偏差。vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，vec2vec 能够转换由未知编码器生成的未知文档嵌入，vec2vec 在模型对之间仍能实现高度的余弦相似度。本次研究团队提出了该假说的一个更强的建设性版本：文本表征的通用潜在结构是可以被学习的，

其次，

在计算机视觉领域，

为了针对信息提取进行评估：

首先，从而在无需任何成对对应关系的情况下，并且往往比理想的零样本基线表现更好。随着更好、极大突破人类视觉极限

]article_adlist-->