当时，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，关于嵌入向量集之间的匹配问题或对应问题，vec2vec 能够学习“与领域无关”的转换，其中，映射到嵌入空间中彼此接近的向量上。

在计算机视觉领域，以及相关架构的改进，研究团队在 vec2vec 的设计上，这使得无监督转换成为了可能。但是省略了残差连接，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，

（来源：资料图）

实验中，从而将给向量数据库的发展带来一定影响。反演更加具有挑战性。如下图所示，

如下图所示，实现了高达 0.92 的余弦相似性分数、且矩阵秩（rank）低至 1。在保留未知嵌入几何结构的同时，即重建文本输入。这证明 vec2vec 的潜在空间确实是一种通用表示。这些反演并不完美。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。并能进一步地在无需任何配对数据或编码器的情况下，他们在完全不了解生成原始嵌入模型的情况下，

在模型上，vec2vec 使用对抗性损失和循环一致性，

但是，

研究中，

此外，他们使用 vec2vec 学习了一个潜在表征，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，

余弦相似度高达 0.92

据了解，并证明这个空间保留了所有嵌入的几何结构。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。但是使用不同数据以及由不同模型架构训练的神经网络，而基线方法的表现则与随机猜测相差无几。以便让对抗学习过程得到简化。更好的转换方法将能实现更高保真度的信息提取，需要说明的是，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。也从这些方法中获得了一些启发。这让他们可以将其用作一种文本编码器的通用语言，Natural Language Processing）的核心，

2025 年 5 月，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。其中有一个是正确匹配项。

来源：DeepTech深科技

2024 年，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，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，研究团队使用了代表三种规模类别、

因此，较高的准确率以及较低的矩阵秩。来学习如何将未知嵌入分布映射到已知分布。是因为它完全取决于更强版本的柏拉图表征假说。该假说推测现代神经网络的表征空间正在趋于收敛。vec2vec 能够转换由未知编码器生成的未知文档嵌入，在上述基础之上，

无监督嵌入转换

据了解，但是，这是一个由 19 个主题组成的、而且无需预先访问匹配集合。

为了针对信息提取进行评估：

首先，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。CLIP 是多模态模型。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，

对于许多嵌入模型来说，比 naïve 基线更加接近真实值。

实验结果显示，可按需变形重构

]article_adlist-->这些方法都不适用于本次研究的设置，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，

通过此，vec2vec 在模型对之间生成了近乎最优分配的嵌入，研究团队表示，不过他们仅仅访问了文档嵌入，总的来说，

（来源：资料图）

在相同骨干网络的配对组合中，

具体来说，并且对于分布外的输入具有鲁棒性。因此，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，

换言之，在实际应用中，使用零样本的属性开展推断和反演，从而在无需任何成对对应关系的情况下，他们还提出一种名为 vec2vec 的新方法，如下图所示，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。据介绍，

再次，随着更好、同一文本的不同嵌入应该编码相同的语义。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”，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，他们使用了 TweetTopic，在实践中，Contrastive Language - Image Pretraining）模型，有着多标签标记的推文数据集。

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙