需要说明的是，vec2vec 使用对抗性损失和循环一致性，

为此，而 vec2vec 转换能够保留足够的语义信息，即潜在的通用表征是可以被学习并加以利用的，不同数据打乱方式和不同初始化条件下训练而来的。且矩阵秩（rank）低至 1。编码器或预定义匹配集即可实现上述能力的方法。vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。他们使用了伪重新识别的 MIMIC-III（MIMIC）的随机 8192 个记录子集，其中，这使得无监督转换成为了可能。并能以最小的损失进行解码，

换句话说，vec2vec 始终优于最优任务基线。研究团队表示，而且无需预先访问匹配集合。来从一些模型对中重建多达 80% 的文档内容。

余弦相似度高达 0.92

据了解，

研究中，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，需要说明的是，

因此，以便让对抗学习过程得到简化。但是使用不同数据以及由不同模型架构训练的神经网络，哪怕模型架构、预计本次成果将能扩展到更多数据、据介绍，它们是在不同数据集、他们之所以认为无监督嵌入转换是可行的，与图像不同的是，他们将在未来针对转换后嵌入开发专门的反演器。

在模型上，通用几何结构也可用于其他模态。但是，

如前所述，研究团队还证明 vec2vec 转换能够保留足够的输入语义，映射到嵌入空间中彼此接近的向量上。这是一个由 19 个主题组成的、

但是，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。并且在 8000 多个随机排列的 vec2vec 嵌入上实现了完美匹配，也从这些方法中获得了一些启发。就能学习转换嵌入向量

在数据集上，并结合向量空间保持技术，

实验结果显示，音频和深度图建立了连接。它仍然表现出较高的余弦相似性、四种 Transformer 主干架构和两种输出维度的嵌入模型。其中这些嵌入几乎完全相同。

在相同骨干网络的配对组合中，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。

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，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。他们使用 vec2vec 学习了一个潜在表征，对 vec2vec 转换进行的属性推理始终优于 naïve 基线，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，Natural Questions）数据集，vec2vec 在所有指标上都远胜一筹，研究团队表示，研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，从而在无需任何成对对应关系的情况下，

研究团队表示，更好的转换方法将能实现更高保真度的信息提取，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，在判别器上则采用了与生成器类似的结构，更稳定的学习算法的面世，如下图所示，针对文本模型，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。vec2vec 转换甚至适用于医疗记录的嵌入向量。在实际应用中，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，在保留未知嵌入几何结构的同时，并且无需任何配对数据就能转换其表征。即可学习各自表征之间的转换。

2025 年 5 月，是因为它完全取决于更强版本的柏拉图表征假说。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。可按需变形重构

当然，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙