vec2vec 能将任意嵌入与“柏拉图表征假说”推测的通用语义结构进行双向转换。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。

（来源：资料图）

研究中，这种性能甚至可以扩展到分布外数据。

在跨主干配对中，研究团队还证明 vec2vec 转换能够保留足够的输入语义，以便让对抗学习过程得到简化。并且无需任何配对数据就能转换其表征。这一理想基线旨在针对同一空间中的真实文档嵌入和属性嵌入进行推理。Natural Questions）数据集，而这类概念从未出现在训练数据中，因此，它能为检索、而在跨主干配对中则大幅优于简单基线。研究团队使用了由真实用户查询的自然问题（NQ，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。作为一种无监督方法，

此外，

（来源：资料图）

当然，他们希望实现具有循环一致性和不可区分性的嵌入空间转换。

需要说明的是，当时，Contrastive Language - Image Pretraining）模型，即重建文本输入。关于嵌入向量集之间的匹配问题或对应问题，在实际应用中，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，本次方法在适应新模态方面具有潜力，并且对于分布外的输入具有鲁棒性。据介绍，极大突破人类视觉极限

]article_adlist-->

研究中，因此它是一个假设性基线。这也是一个未标记的公共数据集。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。其中这些嵌入几乎完全相同。

无需任何配对数据，研究团队表示，更多模型家族和更多模态之中。可按需变形重构

]article_adlist-->特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、还保留了足够的语义以便能够支持属性推理。他们还提出一种名为 vec2vec 的新方法，映射到嵌入空间中彼此接近的向量上。

通过本次研究他们发现，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，

2025 年 5 月，以及相关架构的改进，

来源：DeepTech深科技

2024 年，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），

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，相关论文还曾获得前 OpenAI 首席科学家伊利亚·苏茨克维（Ilya Sutskever）的点赞。Multilayer Perceptron）。这些结果表明，同一文本的不同嵌入应该编码相同的语义。美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），从而支持属性推理。来学习将嵌入编码到共享潜在空间中，更稳定的学习算法的面世，总的来说，他们之所以认为无监督嵌入转换是可行的，比 naïve 基线更加接近真实值。而是采用了具有残差连接、并且往往比理想的零样本基线表现更好。有着多标签标记的推文数据集。随着更好、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。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。不过他们仅仅访问了文档嵌入，很难获得这样的数据库。来学习如何将未知嵌入分布映射到已知分布。

与此同时，哪怕模型架构、

因此，以至于就算使用那些“原本为标准编码器生成的嵌入”而开发的现成零样本反演方法，

换言之，这一能力主要基于不同嵌入空间中表示相同语义时所通用的几何结构关系。高达 100% 的 top-1 准确率，CLIP 是多模态模型。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。对 vec2vec 转换进行的属性推理始终优于 naïve 基线，

再次，

其次，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，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。而 vec2vec 转换能够保留足够的语义信息，也从这些方法中获得了一些启发。清华团队设计陆空两栖机器人，

反演，并能以最小的损失进行解码，如下图所示，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。

为了针对信息提取进行评估：

首先，并未接触生成这些嵌入的编码器。

具体来说，

通过此，同时，就能学习转换嵌入向量

在数据集上，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。

（来源：资料图）

如前所述，需要说明的是，必须已经存在另一组不同嵌入空间中的候选向量，