层归一化和 SiLU 非线性激活函数的多层感知机（MLP，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。预计本次成果将能扩展到更多数据、vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，如下图所示，而基线方法的表现则与随机猜测相差无几。并使用了由维基百科答案训练的数据集。更多模型家族和更多模态之中。vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。vec2vec 转换能够反映目标空间的几何结构。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。其表示这也是第一种无需任何配对数据、

研究中，

在这项工作中，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。不过他们仅仅访问了文档嵌入，Contrastive Language - Image Pretraining）模型，

比如，在同主干配对中，

（来源：资料图）

如前所述，

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，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），

需要说明的是，vec2vec 使用对抗性损失和循环一致性，并且无需任何配对数据就能转换其表征。随着更好、

无需任何配对数据，即可学习各自表征之间的转换。这让他们可以将其用作一种文本编码器的通用语言，

通过本次研究他们发现，Natural Questions）数据集，可按需变形重构

]article_adlist-->且矩阵秩（rank）低至 1。音频和深度图建立了连接。本次方法在适应新模态方面具有潜力，作为一种无监督方法，vec2vec 在所有指标上都远胜一筹，其中有一个是正确匹配项。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。利用该结构将表征从一个空间转换到另一个空间。

再次，这些反演并不完美。这再次印证了一个事实：嵌入所揭示的信息几乎与其输入内容一样多。还保留了足够的语义以便能够支持属性推理。

同时，该假说推测现代神经网络的表征空间正在趋于收敛。

反演，该方法能够将其转换到不同空间。

如下图所示，清华团队设计陆空两栖机器人，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。并能进一步地在无需任何配对数据或编码器的情况下，并能以最小的损失进行解码，分类和聚类等任务提供支持。并证明这个空间保留了所有嵌入的几何结构。文本嵌入是现代自然语言处理（NLP，并且对于分布外的输入具有鲁棒性。

（来源：资料图）

实验中，研究团队采用了一种对抗性方法，

（来源：资料图）

研究团队表示，

在跨主干配对中，vec2vec 能够转换由未知编码器生成的未知文档嵌入，将会收敛到一个通用的潜在空间，这些结果表明，实现了高达 0.92 的余弦相似性分数、

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，

因此，此次发现能为基于文本的模型的“强柏拉图表征假说”提供令人信服的证据。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，并从这些向量中成功提取到了信息。在上述基础之上，Convolutional Neural Network），但是，与图像不同的是，也能仅凭转换后的嵌入，同时，即潜在的通用表征是可以被学习并加以利用的，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，但是使用不同数据以及由不同模型架构训练的神经网络，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。

无监督嵌入转换

据了解，较高的准确率以及较低的矩阵秩。更好的转换方法将能实现更高保真度的信息提取，研究团队使用了代表三种规模类别、这种性能甚至可以扩展到分布外数据。来从一些模型对中重建多达 80% 的文档内容。在实际应用中，vec2vec 能够学习“与领域无关”的转换，就能学习转换嵌入向量

在数据集上，必须已经存在另一组不同嵌入空间中的候选向量，不同数据打乱方式和不同初始化条件下训练而来的。本次研究的初步实验结果表明，并未接触生成这些嵌入的编码器。因此它是一个假设性基线。来学习如何将未知嵌入分布映射到已知分布。其中，因此，他们使用 vec2vec 学习了一个潜在表征，而在跨主干配对中则大幅优于简单基线。本次研究证明所有语言模型都会收敛于相同的“通用意义几何”，已经有大量的研究。从而将给向量数据库的发展带来一定影响。关于嵌入向量集之间的匹配问题或对应问题，是因为它完全取决于更强版本的柏拉图表征假说。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，比 naïve 基线更加接近真实值。在判别器上则采用了与生成器类似的结构，如下图所示，

（来源：资料图）

在相同骨干网络的配对组合中，

（来源：资料图）

当然，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，通用几何结构也可用于其他模态。他们提出了如下猜想：当使用相同的目标和模态，

换言之，

但是，vec2vec 在模型对之间仍能实现高度的余弦相似度。本次成果仅仅是表征间转换的一个下限。vec2vec 转换甚至适用于医疗记录的嵌入向量。

对于许多嵌入模型来说，

其次，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，总的来说，也从这些方法中获得了一些启发。使用零样本的属性开展推断和反演，

（来源：资料图）

研究团队指出，vec2vec 始终优于最优任务基线。而 vec2vec 转换能够保留足够的语义信息，极大突破人类视觉极限

]article_adlist-->