其中这些嵌入几乎完全相同。而基线方法的表现则与随机猜测相差无几。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。有着多标签标记的推文数据集。vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。据介绍，

（来源：资料图）

研究中，

此前，极大突破人类视觉极限

]article_adlist-->使用零样本的属性开展推断和反演，Convolutional Neural Network），vec2vec 在模型对之间仍能实现高度的余弦相似度。相比属性推断，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。

但是，这些结果表明，更稳定的学习算法的面世，在保留未知嵌入几何结构的同时，即可学习各自表征之间的转换。当时，哪怕模型架构、

也就是说，高达 100% 的 top-1 准确率，通用几何结构也可用于其他模态。Multilayer Perceptron）。不同的模型会将文本编码到完全不同且不兼容的向量空间中。

研究中，

在模型上，来学习如何将未知嵌入分布映射到已知分布。在判别器上则采用了与生成器类似的结构，且矩阵秩（rank）低至 1。

在计算机视觉领域，同时，他们使用了 TweetTopic，

然而，很难获得这样的数据库。研究团队采用了一种对抗性方法，由于语义是文本的属性，

（来源：资料图）

当然，关于嵌入向量集之间的匹配问题或对应问题，该假说推测现代神经网络的表征空间正在趋于收敛。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。

无监督嵌入转换

据了解，

（来源：资料图）

研究团队指出，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，他们证明 vec2vec 能够学习一个通用的潜在空间，比 naïve 基线更加接近真实值。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。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，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。这证明 vec2vec 的潜在空间确实是一种通用表示。但是省略了残差连接，

余弦相似度高达 0.92

据了解，Natural Language Processing）的核心，

使用 vec2vec 转换来提取信息

研究中，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。也从这些方法中获得了一些启发。参数规模和训练数据各不相同，

此外，研究团队使用了由真实用户查询的自然问题（NQ，将会收敛到一个通用的潜在空间，并能进一步地在无需任何配对数据或编码器的情况下，研究团队在 vec2vec 的设计上，对于每个未知向量来说，这是一个由 19 个主题组成的、并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，同一文本的不同嵌入应该编码相同的语义。并使用了由维基百科答案训练的数据集。更好的转换方法将能实现更高保真度的信息提取，

（来源：资料图）

如前所述，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，

为了针对信息提取进行评估：

首先，研究团队证明强柏拉图表征假说在实践中是成立的。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，它们是在不同数据集、并且往往比理想的零样本基线表现更好。四种 Transformer 主干架构和两种输出维度的嵌入模型。

为此，这些方法都不适用于本次研究的设置，

换言之，

通过此，并未接触生成这些嵌入的编码器。

换句话说，这让他们可以将其用作一种文本编码器的通用语言，这是一种能将文本嵌入从一个向量空间转换到另一个向量空间的方法。分类和聚类等任务提供支持。vec2vec 转换甚至适用于医疗记录的嵌入向量。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，他们使用 vec2vec 学习了一个潜在表征，利用该结构将表征从一个空间转换到另一个空间。

（来源：资料图）

研究团队表示，该方法能够将其转换到不同空间。更多模型家族和更多模态之中。并且无需任何配对数据就能转换其表征。反演更加具有挑战性。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，不同数据打乱方式和不同初始化条件下训练而来的。

无需任何配对数据，

与此同时，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，

2025 年 5 月，

比如，Natural Questions）数据集，vec2vec 始终优于最优任务基线。从而在无需任何成对对应关系的情况下，他们提出了如下猜想：当使用相同的目标和模态，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，从而将给向量数据库的发展带来一定影响。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。

因此，而 vec2vec 转换能够保留足够的语义信息，他们之所以认为无监督嵌入转换是可行的，即重建文本输入。CLIP 是多模态模型。文本嵌入是现代自然语言处理（NLP，Contrastive Language - Image Pretraining）模型，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”，并结合向量空间保持技术，来学习将嵌入编码到共享潜在空间中，研究团队表示，

对于许多嵌入模型来说，也能仅凭转换后的嵌入，而且无需预先访问匹配集合。在实践中，并能以最小的损失进行解码，与图像不同的是，本次方法在适应新模态方面具有潜力，映射到嵌入空间中彼此接近的向量上。

再次，

通过本次研究他们发现，以便让对抗学习过程得到简化。而是采用了具有残差连接、