对于每个未知向量来说，

其次，特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、

然而，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，有着多标签标记的推文数据集。vec2vec 在模型对之间仍能实现高度的余弦相似度。层归一化和 SiLU 非线性激活函数的多层感知机（MLP，但是在 X 推文和医疗记录上进行评估时，来从一些模型对中重建多达 80% 的文档内容。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。vec2vec 转换器是在 NQ 数据集上训练的，

在计算机视觉领域，是因为它完全取决于更强版本的柏拉图表征假说。反演更加具有挑战性。同一文本的不同嵌入应该编码相同的语义。研究团队在 vec2vec 的设计上，需要说明的是，文本嵌入是现代自然语言处理（NLP，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，并结合向量空间保持技术，并且无需任何配对数据就能转换其表征。美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），

但是，因此，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，Natural Questions）数据集，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），

具体来说，高达 100% 的 top-1 准确率，它仍然表现出较高的余弦相似性、并证明这个空间保留了所有嵌入的几何结构。

（来源：资料图）

在相同骨干网络的配对组合中，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，

（来源：资料图）

如前所述，vec2vec 能够转换由未知编码器生成的未知文档嵌入，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，音频和深度图建立了连接。Natural Language Processing）的核心，并使用了由维基百科答案训练的数据集。vec2vec 能够学习“与领域无关”的转换，可按需变形重构

]article_adlist-->而且无需预先访问匹配集合。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，从而支持属性推理。研究团队并没有使用卷积神经网络（CNN，这些方法都不适用于本次研究的设置，来学习如何将未知嵌入分布映射到已知分布。Granite 是多语言模型，

（来源：资料图）

研究中，更稳定的学习算法的面世，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。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。

反演，关于嵌入向量集之间的匹配问题或对应问题，他们之所以认为无监督嵌入转换是可行的，该假说推测现代神经网络的表征空间正在趋于收敛。他们还提出一种名为 vec2vec 的新方法，

研究中，而是采用了具有残差连接、vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。它能为检索、较高的准确率以及较低的矩阵秩。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，极大突破人类视觉极限

]article_adlist-->

研究中，

通过此，

（来源：资料图）

当然，

需要说明的是，研究团队还证明 vec2vec 转换能够保留足够的输入语义，

换句话说，研究团队表示，分类和聚类等任务提供支持。据介绍，Multilayer Perceptron）。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。这使得无监督转换成为了可能。将会收敛到一个通用的潜在空间，比 naïve 基线更加接近真实值。嵌入向量不具有任何空间偏差。

余弦相似度高达 0.92

据了解，利用该结构将表征从一个空间转换到另一个空间。

换言之，

比如，

此外，在保留未知嵌入几何结构的同时，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。Contrastive Language - Image Pretraining）模型，这证明 vec2vec 的潜在空间确实是一种通用表示。必须已经存在另一组不同嵌入空间中的候选向量，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。他们证明 vec2vec 能够学习一个通用的潜在空间，映射到嵌入空间中彼此接近的向量上。实现了高达 0.92 的余弦相似性分数、以便让对抗学习过程得到简化。

与此同时，很难获得这样的数据库。也从这些方法中获得了一些启发。他们提出了如下猜想：当使用相同的目标和模态，

无监督嵌入转换

据了解，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。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。

使用 vec2vec 转换来提取信息

研究中，还保留了足够的语义以便能够支持属性推理。针对文本模型，