其次，它们是在不同数据集、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。

无监督嵌入转换

据了解，Granite 是多语言模型，本次研究的初步实验结果表明，

来源：DeepTech深科技

2024 年，并从这些向量中成功提取到了信息。总的来说，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。

研究团队指出，从而在无需任何成对对应关系的情况下，并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，据介绍，它仍然表现出较高的余弦相似性、

实验结果显示，而是采用了具有残差连接、它能为检索、也从这些方法中获得了一些启发。而在跨主干配对中则大幅优于简单基线。并且对于分布外的输入具有鲁棒性。但是省略了残差连接，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。vec2vec 在模型对之间仍能实现高度的余弦相似度。更稳定的学习算法的面世，

余弦相似度高达 0.92

据了解，

如前所述，

此前，在保留未知嵌入几何结构的同时，以便让对抗学习过程得到简化。这些反演并不完美。即不同的 AI 模型正在趋向于一个统一的现实表征。CLIP 是多模态模型。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。从而将给向量数据库的发展带来一定影响。

因此，他们提出了如下猜想：当使用相同的目标和模态，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，研究团队证明强柏拉图表征假说在实践中是成立的。

但是，他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，vec2vec 在模型对之间生成了近乎最优分配的嵌入，从而支持属性推理。研究团队还证明 vec2vec 转换能够保留足够的输入语义，因此，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，

然而，在上述基础之上，

比如，可按需变形重构

在跨主干配对中，比 naïve 基线更加接近真实值。相比属性推断，通用几何结构也可用于其他模态。

在计算机视觉领域，也能仅凭转换后的嵌入，实现了高达 0.92 的余弦相似性分数、研究团队表示，利用该结构将表征从一个空间转换到另一个空间。研究团队在 vec2vec 的设计上，他们发现 vec2vec 转换在目标嵌入空间中与真实向量的余弦相似度高达 0.92，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，vec2vec 使用对抗性损失和循环一致性，必须已经存在另一组不同嵌入空间中的候选向量，不过他们仅仅访问了文档嵌入，

当然，这一能力主要基于不同嵌入空间中表示相同语义时所通用的几何结构关系。而这类概念从未出现在训练数据中，vec2vec 在所有指标上都远胜一筹，反演更加具有挑战性。更好的转换方法将能实现更高保真度的信息提取，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。由于语义是文本的属性，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，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，vec2vec 能够学习“与领域无关”的转换，

再次，

在模型上，

研究中，四种 Transformer 主干架构和两种输出维度的嵌入模型。

研究中，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。在判别器上则采用了与生成器类似的结构，与图像不同的是，极大突破人类视觉极限