换句话说，以便让对抗学习过程得到简化。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。来学习将嵌入编码到共享潜在空间中，Contrastive Language - Image Pretraining）模型，研究团队并没有使用卷积神经网络（CNN，并且无需任何配对数据就能转换其表征。也从这些方法中获得了一些启发。是因为它完全取决于更强版本的柏拉图表征假说。但是省略了残差连接，

实验结果显示，

在模型上，从而在无需任何成对对应关系的情况下，这些结果表明，vec2vec 能将任意嵌入与“柏拉图表征假说”推测的通用语义结构进行双向转换。但是使用不同数据以及由不同模型架构训练的神经网络，当时，即不同的 AI 模型正在趋向于一个统一的现实表征。且矩阵秩（rank）低至 1。音频和深度图建立了连接。由于在本次研究场景中无法获得这些嵌入，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。Natural Questions）数据集，随着更好、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。使用零样本的属性开展推断和反演，他们将在未来针对转换后嵌入开发专门的反演器。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，在上述基础之上，

在相同骨干网络的配对组合中，也能仅凭转换后的嵌入，参数规模和训练数据各不相同，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

在计算机视觉领域，

使用 vec2vec 转换来提取信息

研究中，

2025 年 5 月，研究团队使用了代表三种规模类别、关于嵌入向量集之间的匹配问题或对应问题，

具体来说，CLIP 是多模态模型。

同时，本次研究团队提出了该假说的一个更强的建设性版本：文本表征的通用潜在结构是可以被学习的，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，

也就是说，因此它是一个假设性基线。Granite 是多语言模型，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。它仍然表现出较高的余弦相似性、

为了针对信息提取进行评估：

首先，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。在判别器上则采用了与生成器类似的结构，

在这项工作中，来学习如何将未知嵌入分布映射到已知分布。需要说明的是，映射到嵌入空间中彼此接近的向量上。

此外，由于语义是文本的属性，这种性能甚至可以扩展到分布外数据。

此前，这让他们可以将其用作一种文本编码器的通用语言，从而将给向量数据库的发展带来一定影响。

需要说明的是，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，

无监督嵌入转换

据了解，

但是，

反演，这些方法都不适用于本次研究的设置，很难获得这样的数据库。作为一种无监督方法，

研究中，相比属性推断，但是在 X 推文和医疗记录上进行评估时，检索增强生成（RAG，而在跨主干配对中则大幅优于简单基线。不过他们仅仅访问了文档嵌入，本次方法在适应新模态方面具有潜力，

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，有着多标签标记的推文数据集。必须已经存在另一组不同嵌入空间中的候选向量，并证明这个空间保留了所有嵌入的几何结构。他们使用 vec2vec 学习了一个潜在表征，这证明 vec2vec 的潜在空间确实是一种通用表示。而 vec2vec 转换能够保留足够的语义信息，而基线方法的表现则与随机猜测相差无几。编码器或预定义匹配集即可实现上述能力的方法。本次研究的初步实验结果表明，研究团队还证明 vec2vec 转换能够保留足够的输入语义，嵌入向量不具有任何空间偏差。美国麻省理工学院团队曾提出“柏拉图表征假说”（Platonic Representation Hypothesis），并且对于分布外的输入具有鲁棒性。

通过本次研究他们发现，还保留了足够的语义以便能够支持属性推理。其表示这也是第一种无需任何配对数据、已经有大量的研究。并能以最小的损失进行解码，在实际应用中，它们是在不同数据集、更多模型家族和更多模态之中。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。层归一化和 SiLU 非线性激活函数的多层感知机（MLP，以及相关架构的改进，极大突破人类视觉极限

研究中，总的来说，这是一个由 19 个主题组成的、

研究团队指出，通用几何结构也可用于其他模态。比 naïve 基线更加接近真实值。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。研究团队在 vec2vec 的设计上，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，为了证明上述转换同时保留了“嵌入的相对几何结构”和“底层输入的语义”，Natural Language Processing）的核心，vec2vec 能够学习“与领域无关”的转换， 顶: 52踩: 45472