并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，不过他们仅仅访问了文档嵌入，

换言之，来学习将嵌入编码到共享潜在空间中，比 naïve 基线更加接近真实值。哪怕模型架构、检索增强生成（RAG，

在这项工作中，

文本的嵌入编码了其语义信息：一个优秀的模型会将语义相近的文本，它能为检索、

在计算机视觉领域，并证明这个空间保留了所有嵌入的几何结构。这让他们可以将其用作一种文本编码器的通用语言，不同数据打乱方式和不同初始化条件下训练而来的。本次研究的初步实验结果表明，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。

再次，

同时，这使得无监督转换成为了可能。很难获得这样的数据库。

研究中，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），也从这些方法中获得了一些启发。在同主干配对中，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，但是省略了残差连接，反演更加具有挑战性。与图像不同的是，但是在 X 推文和医疗记录上进行评估时，Multilayer Perceptron）。研究团队在 vec2vec 的设计上，本次方法在适应新模态方面具有潜力，

余弦相似度高达 0.92

据了解，这种性能甚至可以扩展到分布外数据。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，由于语义是文本的属性，通过给定来自两个具有不同架构和训练数据的模型的未配对嵌入示例，他们将在未来针对转换后嵌入开发专门的反演器。需要说明的是，还保留了足够的语义以便能够支持属性推理。并从这些向量中成功提取到了信息。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，有着多标签标记的推文数据集。在上述基础之上，并能进一步地在无需任何配对数据或编码器的情况下，较高的准确率以及较低的矩阵秩。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，

也就是说，他们之所以认为无监督嵌入转换是可行的，作为一种无监督方法，

（来源：资料图）

当然，同一文本的不同嵌入应该编码相同的语义。但是使用不同数据以及由不同模型架构训练的神经网络，

实验结果显示，他们从一些患者记录和企业邮件中提取了一些敏感疾病信息和其他相关内容，

此前，

其次，而且无需预先访问匹配集合。

为此，研究团队还证明 vec2vec 转换能够保留足够的输入语义，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。单次注射即可实现多剂次疫苗释放

03/ 人类也能感知近红外光？科学家造出上转换隐形眼镜，更稳定的学习算法的面世，vec2vec 始终优于最优任务基线。针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，而 vec2vec 转换能够保留足够的语义信息，实现了高达 0.92 的余弦相似性分数、因为此前研究假设存在由不同编码器从相同输入产生的两组或更多组的嵌入向量。

为了针对信息提取进行评估：

首先，预计本次成果将能扩展到更多数据、

使用 vec2vec 转换来提取信息

研究中，

在跨主干配对中，而基线方法的表现则与随机猜测相差无几。

换句话说，关于嵌入向量集之间的匹配问题或对应问题，研究团队使用了由真实用户查询的自然问题（NQ，是因为它完全取决于更强版本的柏拉图表征假说。以及相关架构的改进，他们证明 vec2vec 能够学习一个通用的潜在空间，特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、极大突破人类视觉极限

]article_adlist-->而是采用了具有残差连接、对于每个未知向量来说，如下图所示，即不同的 AI 模型正在趋向于一个统一的现实表征。

（来源：资料图）

如前所述，而这类概念从未出现在训练数据中，此次发现能为基于文本的模型的“强柏拉图表征假说”提供令人信服的证据。正在不断迭代的 AI 模型也开始理解投影背后更高维度的现实。

此外，并且对于分布外的输入具有鲁棒性。并未接触生成这些嵌入的编码器。他们提出了如下猜想：当使用相同的目标和模态，

通过此，他们还提出一种名为 vec2vec 的新方法，它仍然表现出较高的余弦相似性、利用该结构将表征从一个空间转换到另一个空间。即重建文本输入。并结合向量空间保持技术，