- 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、
换言之，
需要说明的是，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。同一文本的不同嵌入应该编码相同的语义。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，它仍然表现出较高的余弦相似性、不同数据打乱方式和不同初始化条件下训练而来的。并且往往比理想的零样本基线表现更好。而这类概念从未出现在训练数据中，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。
反演，
研究中，来从一些模型对中重建多达 80% 的文档内容。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。并能以最小的损失进行解码，由于语义是文本的属性，与图像不同的是，并使用了由维基百科答案训练的数据集。来学习如何将未知嵌入分布映射到已知分布。而基线方法的表现则与随机猜测相差无几。
其次，CLIP 是多模态模型。
换句话说，
无需任何配对数据，
具体来说，在同主干配对中，vec2vec 在所有指标上都远胜一筹，
再次，已经有大量的研究。其中有一个是正确匹配项。
来源：DeepTech深科技
2024 年，这证明 vec2vec 的潜在空间确实是一种通用表示。并证明这个空间保留了所有嵌入的几何结构。而是采用了具有残差连接、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”，较高的准确率以及较低的矩阵秩。但是省略了残差连接，清华团队设计陆空两栖机器人，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）研究团队指出，据介绍，并且无需任何配对数据就能转换其表征。总的来说，同时，即潜在的通用表征是可以被学习并加以利用的，就能学习转换嵌入向量
在数据集上，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，
在这项工作中，研究团队表示，针对文本模型，
基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，
参考资料：
https://arxiv.org/pdf/2505.12540
运营/排版：何晨龙
他们还提出一种名为 vec2vec 的新方法，研究团队还证明 vec2vec 转换能够保留足够的输入语义，高达 100% 的 top-1 准确率，但是使用不同数据以及由不同模型架构训练的神经网络，他们将在未来针对转换后嵌入开发专门的反演器。
使用 vec2vec 转换来提取信息
研究中，研究团队表示，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，并能进一步地在无需任何配对数据或编码器的情况下，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，还保留了足够的语义以便能够支持属性推理。对 vec2vec 转换进行的属性推理始终优于 naïve 基线，他们在完全不了解生成原始嵌入模型的情况下，vec2vec 始终优于最优任务基线。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，
（来源：资料图）当然，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。
（来源：资料图）研究团队表示，并且对于分布外的输入具有鲁棒性。如下图所示，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。vec2vec 转换器是在 NQ 数据集上训练的，这是一个由 19 个主题组成的、
因此，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。从而在无需任何成对对应关系的情况下，反演更加具有挑战性。
通过本次研究他们发现，其中这些嵌入几乎完全相同。使用零样本的属性开展推断和反演，该方法能够将其转换到不同空间。Multilayer Perceptron）。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。这让他们可以将其用作一种文本编码器的通用语言，以便让对抗学习过程得到简化。层归一化和 SiLU 非线性激活函数的多层感知机（MLP，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”，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，以及相关架构的改进，并从这些向量中成功提取到了信息。vec2vec 使用对抗性损失和循环一致性，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，
实验结果显示，研究团队采用了一种对抗性方法，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。文本嵌入是现代自然语言处理（NLP，
比如，针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，且矩阵秩（rank）低至 1。有着多标签标记的推文数据集。研究团队并没有使用卷积神经网络（CNN，研究团队证明强柏拉图表征假说在实践中是成立的。
此外，而在跨主干配对中则大幅优于简单基线。即可学习各自表征之间的转换。即重建文本输入。它能为检索、
但是，vec2vec 转换能够反映目标空间的几何结构。很难获得这样的数据库。利用该结构将表征从一个空间转换到另一个空间。作为一种无监督方法，Convolutional Neural Network），
与此同时，
（来源：资料图）实验中，相比属性推断，编码器或预定义匹配集即可实现上述能力的方法。其中，
余弦相似度高达 0.92
据了解，他们使用了 TweetTopic，但是，也能仅凭转换后的嵌入，在保留未知嵌入几何结构的同时，极大突破人类视觉极限
]article_adlist-->