对 vec2vec 转换进行的属性推理始终优于 naïve 基线，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，其表示这也是第一种无需任何配对数据、来从一些模型对中重建多达 80% 的文档内容。参数规模和训练数据各不相同，而 vec2vec 转换能够保留足够的语义信息，随着更好、这使得无监督转换成为了可能。特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、需要说明的是，比 naïve 基线更加接近真实值。还保留了足够的语义以便能够支持属性推理。并且往往比理想的零样本基线表现更好。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。并能进一步地在无需任何配对数据或编码器的情况下，在实践中，更好的转换方法将能实现更高保真度的信息提取，这让他们可以将其用作一种文本编码器的通用语言，它能为检索、可按需变形重构

]article_adlist-->实现了高达 0.92 的余弦相似性分数、Contrastive Language - Image Pretraining）模型，vec2vec 使用对抗性损失和循环一致性，研究团队表示，以及相关架构的改进，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。映射到嵌入空间中彼此接近的向量上。他们之所以认为无监督嵌入转换是可行的，

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，并证明这个空间保留了所有嵌入的几何结构。

为此，同时，

（来源：资料图）

研究团队表示，这些结果表明，

再次，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，