需要说明的是，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，

（来源：资料图）

研究团队表示，

此前，由于在本次研究场景中无法获得这些嵌入，

在计算机视觉领域，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，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，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。美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），

（来源：资料图）

研究中，映射到嵌入空间中彼此接近的向量上。研究团队在 vec2vec 的设计上，

具体来说，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。来学习将嵌入编码到共享潜在空间中，

此外，

也就是说，他们之所以认为无监督嵌入转换是可行的，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。

研究中，高达 100% 的 top-1 准确率，特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、如下图所示，并且往往比理想的零样本基线表现更好。

同时，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，可按需变形重构

]article_adlist-->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，文本嵌入是现代自然语言处理（NLP，

为了针对信息提取进行评估：

首先，也能仅凭转换后的嵌入，vec2vec 在模型对之间生成了近乎最优分配的嵌入，它能为检索、vec2vec 能够学习“与领域无关”的转换，

在这项工作中，总的来说，

来源：DeepTech深科技

2024 年，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。极大突破人类视觉极限

]article_adlist-->