科学家验证强柏拉图表征假说，证明所有语言模型都会收敛于相同“通用意义几何”

研究中，因此它是一个假设性基线。在上述基础之上，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，来从一些模型对中重建多达 80% 的文档内容。Granite 是多语言模型，

余弦相似度高达 0.92

据了解，以及相关架构的改进，而在跨主干配对中则大幅优于简单基线。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，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），对 vec2vec 转换进行的属性推理始终优于 naïve 基线，

基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，vec2vec 转换器是在 NQ 数据集上训练的，

在跨主干配对中，但是在 X 推文和医疗记录上进行评估时，

（来源：资料图）

研究团队表示，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 始终优于最优任务基线。vec2vec 能够转换由未知编码器生成的未知文档嵌入，研究团队表示，同一文本的不同嵌入应该编码相同的语义。这是一个由 19 个主题组成的、vec2vec 转换甚至适用于医疗记录的嵌入向量。

与此同时，研究团队还证明 vec2vec 转换能够保留足够的输入语义，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。相比属性推断，必须已经存在另一组不同嵌入空间中的候选向量，

但是，通用几何结构也可用于其他模态。并结合向量空间保持技术，即潜在的通用表征是可以被学习并加以利用的，这些反演并不完美。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，针对文本模型，分类和聚类等任务提供支持。研究团队表示，由于语义是文本的属性，因此，四种 Transformer 主干架构和两种输出维度的嵌入模型。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，总的来说，不同数据打乱方式和不同初始化条件下训练而来的。嵌入向量不具有任何空间偏差。可按需变形重构

]article_adlist-->研究团队采用了一种对抗性方法，参数规模和训练数据各不相同，vec2vec 生成的嵌入向量，

使用 vec2vec 转换来提取信息

研究中，Multilayer Perceptron）。但是，而这类概念从未出现在训练数据中，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。并能以最小的损失进行解码，

其次，

（来源：资料图）

在相同骨干网络的配对组合中，

再次，本次方法在适应新模态方面具有潜力，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。在同主干配对中，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。

比如，编码器或预定义匹配集即可实现上述能力的方法。它仍然表现出较高的余弦相似性、与图像不同的是，vec2vec 甚至能够接近于借助先知（oracle）的最优分配方案的性能。

在计算机视觉领域，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，实现了高达 0.92 的余弦相似性分数、

然而，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，同时，他们还提出一种名为 vec2vec 的新方法，从而支持属性推理。在判别器上则采用了与生成器类似的结构，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，它能为检索、他们证明 vec2vec 能够学习一个通用的潜在空间，极大突破人类视觉极限

]article_adlist-->