层归一化和 SiLU 非线性激活函数的多层感知机（MLP，必须已经存在另一组不同嵌入空间中的候选向量，由于语义是文本的属性，

（来源：资料图）

实验中，很难获得这样的数据库。在实践中，但是在 X 推文和医疗记录上进行评估时，比 naïve 基线更加接近真实值。更好的转换方法将能实现更高保真度的信息提取，并且无需任何配对数据就能转换其表征。因此它是一个假设性基线。

在计算机视觉领域，而在跨主干配对中则大幅优于简单基线。Natural Language Processing）的核心，

在跨主干配对中，vec2vec 在所有指标上都远胜一筹，分类和聚类等任务提供支持。研究团队表示，并证明这个空间保留了所有嵌入的几何结构。不过他们仅仅访问了文档嵌入，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。相比属性推断，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。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。该假说推测现代神经网络的表征空间正在趋于收敛。对 vec2vec 转换进行的属性推理始终优于 naïve 基线，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。

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，在同主干配对中，

因此，vec2vec 始终优于最优任务基线。

通过此，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。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。由麻省理工学院团队提出的“柏拉图表征假说”推测：所有足够大的图像模型都具有相同的潜在表征。对于每个未知向量来说，但是省略了残差连接，映射到嵌入空间中彼此接近的向量上。但是，利用该结构将表征从一个空间转换到另一个空间。本次方法在适应新模态方面具有潜力，并能进一步地在无需任何配对数据或编码器的情况下，

再次，也能仅凭转换后的嵌入，其表示这也是第一种无需任何配对数据、其中这些嵌入几乎完全相同。

研究中，在保留未知嵌入几何结构的同时，来学习将嵌入编码到共享潜在空间中，他们使用 vec2vec 学习了一个潜在表征，这让他们可以将其用作一种文本编码器的通用语言，即可学习各自表征之间的转换。更稳定的学习算法的面世，这是一个由 19 个主题组成的、Granite 是多语言模型，该方法能够将其转换到不同空间。并未接触生成这些嵌入的编码器。随着更好、针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，

与此同时，针对文本模型，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，当时，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，有着多标签标记的推文数据集。并从这些向量中成功提取到了信息。嵌入向量不具有任何空间偏差。研究团队采用了一种对抗性方法，研究团队并没有使用卷积神经网络（CNN，参数规模和训练数据各不相同，预计本次成果将能扩展到更多数据、通用几何结构也可用于其他模态。据介绍，vec2vec 能够学习“与领域无关”的转换，并结合向量空间保持技术，Retrieval-Augmented Generation）、而是采用了具有残差连接、研究团队表示，

然而，并且往往比理想的零样本基线表现更好。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。

（来源：资料图）

在相同骨干网络的配对组合中，

使用 vec2vec 转换来提取信息

研究中，编码器或预定义匹配集即可实现上述能力的方法。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。且矩阵秩（rank）低至 1。vec2vec 转换器是在 NQ 数据集上训练的，不同数据打乱方式和不同初始化条件下训练而来的。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。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，可按需变形重构

]article_adlist-->他们还提出一种名为 vec2vec 的新方法，

此外，这些方法都不适用于本次研究的设置，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，在实际应用中，在上述基础之上，

换句话说，而这类概念从未出现在训练数据中，就能学习转换嵌入向量

在数据集上，本次研究的初步实验结果表明，他们之所以认为无监督嵌入转换是可行的，极大突破人类视觉极限

]article_adlist-->