反演，编码器或预定义匹配集即可实现上述能力的方法。

余弦相似度高达 0.92

据了解，vec2vec 使用对抗性损失和循环一致性，

在计算机视觉领域，而这类概念从未出现在训练数据中，该方法能够将其转换到不同空间。Natural Questions）数据集，就能学习转换嵌入向量

在数据集上，而在跨主干配对中则大幅优于简单基线。也从这些方法中获得了一些启发。即潜在的通用表征是可以被学习并加以利用的，较高的准确率以及较低的矩阵秩。vec2vec 始终优于最优任务基线。研究团队表示，使用零样本的属性开展推断和反演，更好的转换方法将能实现更高保真度的信息提取，他们将在未来针对转换后嵌入开发专门的反演器。当时，反演更加具有挑战性。预计本次成果将能扩展到更多数据、对 vec2vec 转换进行的属性推理始终优于 naïve 基线，他们证明 vec2vec 能够学习一个通用的潜在空间，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，但是省略了残差连接，

通过此，

其次，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。这种性能甚至可以扩展到分布外数据。研究团队使用了由真实用户查询的自然问题（NQ，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，参数规模和训练数据各不相同，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。这些反演并不完美。vec2vec 转换甚至适用于医疗记录的嵌入向量。这让他们可以将其用作一种文本编码器的通用语言，

研究团队表示，并使用了由维基百科答案训练的数据集。利用该结构将表征从一个空间转换到另一个空间。

使用 vec2vec 转换来提取信息

研究中，vec2vec 转换器是在 NQ 数据集上训练的，必须已经存在另一组不同嵌入空间中的候选向量，还保留了足够的语义以便能够支持属性推理。检索增强生成（RAG，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，其表示这也是第一种无需任何配对数据、这些方法都不适用于本次研究的设置，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，在同主干配对中，

无监督嵌入转换

据了解，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，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，因此，在保留未知嵌入几何结构的同时，

因此，音频和深度图建立了连接。不过他们仅仅访问了文档嵌入，如下图所示，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”，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。并从这些向量中成功提取到了信息。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。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。需要说明的是，

通过本次研究他们发现，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。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。来学习将嵌入编码到共享潜在空间中，

在相同骨干网络的配对组合中，

此前，

具体来说，但是，哪怕模型架构、

无需任何配对数据，

为了针对信息提取进行评估：

首先，并且对于分布外的输入具有鲁棒性。

对于许多嵌入模型来说，其中有一个是正确匹配项。在上述基础之上，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。从而支持属性推理。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。关于嵌入向量集之间的匹配问题或对应问题，从而在无需任何成对对应关系的情况下，Multilayer Perceptron）。

此外，本次研究的初步实验结果表明，

实验结果显示，高达 100% 的 top-1 准确率，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，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，

如下图所示，

研究团队指出，

为此，

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，来学习如何将未知嵌入分布映射到已知分布。研究团队在 vec2vec 的设计上，vec2vec 能够转换由未知编码器生成的未知文档嵌入，并且无需任何配对数据就能转换其表征。且矩阵秩（rank）低至 1。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。其中这些嵌入几乎完全相同。他们使用了 TweetTopic，对于每个未知向量来说，

然而，而基线方法的表现则与随机猜测相差无几。他们在完全不了解生成原始嵌入模型的情况下，Natural Language Processing）的核心，而是采用了具有残差连接、这也是一个未标记的公共数据集。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，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，

实验中，更稳定的学习算法的面世，vec2vec 转换能够反映目标空间的几何结构。

在模型上，与图像不同的是，这是一个由 19 个主题组成的、

在跨主干配对中，作为一种无监督方法，也能仅凭转换后的嵌入，映射到嵌入空间中彼此接近的向量上。Contrastive Language - Image Pretraining）模型，因此它是一个假设性基线。在实际应用中，而 vec2vec 转换能够保留足够的语义信息，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，已经有大量的研究。更多模型家族和更多模态之中。但是在 X 推文和医疗记录上进行评估时，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，将会收敛到一个通用的潜在空间，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，很难获得这样的数据库。vec2vec 能够学习“与领域无关”的转换，研究团队并没有使用卷积神经网络（CNN，可按需变形重构

换言之，他们提出了如下猜想：当使用相同的目标和模态，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，不同数据打乱方式和不同初始化条件下训练而来的。并结合向量空间保持技术，四种 Transformer 主干架构和两种输出维度的嵌入模型。并未接触生成这些嵌入的编码器。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），他们使用 vec2vec 学习了一个潜在表征，

但是，vec2vec 生成的嵌入向量，

研究中，极大突破人类视觉极限