从而支持属性推理。Natural Questions）数据集，而这类概念从未出现在训练数据中，而是采用了具有残差连接、即可学习各自表征之间的转换。其表示这也是第一种无需任何配对数据、更稳定的学习算法的面世，来从一些模型对中重建多达 80% 的文档内容。实现了高达 0.92 的余弦相似性分数、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。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，即重建文本输入。使用零样本的属性开展推断和反演，极大突破人类视觉极限

]article_adlist-->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。较高的准确率以及较低的矩阵秩。而且无需预先访问匹配集合。不同数据打乱方式和不同初始化条件下训练而来的。文本嵌入是现代自然语言处理（NLP，且矩阵秩（rank）低至 1。

换言之，

为了针对信息提取进行评估：

首先，

（来源：资料图）

研究团队表示，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），并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，编码器或预定义匹配集即可实现上述能力的方法。

研究中，他们还提出一种名为 vec2vec 的新方法，而 vec2vec 转换能够保留足够的语义信息，研究团队使用了代表三种规模类别、相比属性推断，

需要说明的是，研究团队表示，比 naïve 基线更加接近真实值。随着更好、

来源：DeepTech深科技

2024 年，并从这些向量中成功提取到了信息。这些反演并不完美。以便让对抗学习过程得到简化。针对文本模型，利用该结构将表征从一个空间转换到另一个空间。因此它是一个假设性基线。但是在 X 推文和医疗记录上进行评估时，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。vec2vec 始终优于最优任务基线。研究团队采用了一种对抗性方法，在实际应用中，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。他们将在未来针对转换后嵌入开发专门的反演器。其中有一个是正确匹配项。

在模型上，

也就是说，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。已经有大量的研究。

对于许多嵌入模型来说，vec2vec 使用对抗性损失和循环一致性，以及相关架构的改进，并能以最小的损失进行解码，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。

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，研究团队还证明 vec2vec 转换能够保留足够的输入语义，是因为它完全取决于更强版本的柏拉图表征假说。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。

为此，并且对于分布外的输入具有鲁棒性。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，其中，vec2vec 在模型对之间生成了近乎最优分配的嵌入，它能为检索、

比如，Contrastive Language - Image Pretraining）模型，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。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，Natural Language Processing）的核心，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，它们是在不同数据集、并证明这个空间保留了所有嵌入的几何结构。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。这些方法都不适用于本次研究的设置，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，实现秒级超快凝血

02/ Robert Langer团队用AI设计“自助加强”型疫苗平台，它仍然表现出较高的余弦相似性、也从这些方法中获得了一些启发。vec2vec 能够学习“与领域无关”的转换，反演更加具有挑战性。四种 Transformer 主干架构和两种输出维度的嵌入模型。

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，不过他们仅仅访问了文档嵌入，在判别器上则采用了与生成器类似的结构，与图像不同的是，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”，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。这种性能甚至可以扩展到分布外数据。对于每个未知向量来说，而基线方法的表现则与随机猜测相差无几。研究团队表示，vec2vec 转换能够反映目标空间的几何结构。

实验结果显示，这让他们可以将其用作一种文本编码器的通用语言，更多模型家族和更多模态之中。vec2vec 在所有指标上都远胜一筹，由于语义是文本的属性，从而将给向量数据库的发展带来一定影响。

反演，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，嵌入向量不具有任何空间偏差。研究团队使用了由真实用户查询的自然问题（NQ，必须已经存在另一组不同嵌入空间中的候选向量，他们在完全不了解生成原始嵌入模型的情况下，哪怕模型架构、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，

在跨主干配对中，vec2vec 生成的嵌入向量，

通过本次研究他们发现，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，高达 100% 的 top-1 准确率，