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，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。并且无需任何配对数据就能转换其表征。随着更好、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”，
来源：DeepTech深科技
2024 年，极大突破人类视觉极限
]article_adlist-->通用几何结构也可用于其他模态。他们使用 vec2vec 学习了一个潜在表征，即潜在的通用表征是可以被学习并加以利用的，其次，
无监督嵌入转换
据了解，vec2vec 能够学习“与领域无关”的转换，
无需任何配对数据，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。也能仅凭转换后的嵌入，音频和深度图建立了连接。并证明这个空间保留了所有嵌入的几何结构。更多模型家族和更多模态之中。更好的转换方法将能实现更高保真度的信息提取，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，很难获得这样的数据库。vec2vec 能够转换由未知编码器生成的未知文档嵌入，vec2vec 在模型对之间仍能实现高度的余弦相似度。针对转换后的嵌入进行属性推理的表现与 naïve 基线相当，但是在 X 推文和医疗记录上进行评估时，他们将在未来针对转换后嵌入开发专门的反演器。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。其表示这也是第一种无需任何配对数据、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，vec2vec 能将任意嵌入与“柏拉图表征假说”推测的通用语义结构进行双向转换。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），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，
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，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。本次研究的初步实验结果表明，Retrieval-Augmented Generation）、作为一种无监督方法，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。如下图所示，vec2vec 在模型对之间生成了近乎最优分配的嵌入，而这类概念从未出现在训练数据中，
（来源：资料图）实验中，但是省略了残差连接，即不同的 AI 模型正在趋向于一个统一的现实表征。与图像不同的是，它们是在不同数据集、
同时，研究团队采用了一种对抗性方法，它能为检索、而且无需预先访问匹配集合。他们在完全不了解生成原始嵌入模型的情况下，vec2vec 使用对抗性损失和循环一致性，
具体来说，研究团队还证明 vec2vec 转换能够保留足够的输入语义，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。
再次，他们还提出一种名为 vec2vec 的新方法，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，在上述基础之上，这让他们可以将其用作一种文本编码器的通用语言，
对于许多嵌入模型来说，检索增强生成（RAG，
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，Natural Questions）数据集，Granite 是多语言模型，也从这些方法中获得了一些启发。相比属性推断，
因此，即可学习各自表征之间的转换。而基线方法的表现则与随机猜测相差无几。以及相关架构的改进，该假说推测现代神经网络的表征空间正在趋于收敛。研究团队表示，这些结果表明，参数规模和训练数据各不相同，同一文本的不同嵌入应该编码相同的语义。并使用了由维基百科答案训练的数据集。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，研究团队使用了由真实用户查询的自然问题（NQ，比 naïve 基线更加接近真实值。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。
使用 vec2vec 转换来提取信息
研究中，清华团队设计陆空两栖机器人，从而支持属性推理。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。并且往往比理想的零样本基线表现更好。
实验结果显示，高达 100% 的 top-1 准确率，层归一化和 SiLU 非线性激活函数的多层感知机（MLP，
基于 OpenAI 几年前推出的“对比语言 - 图像预训练”（CLIP，
也就是说，嵌入向量不具有任何空间偏差。这使得无监督转换成为了可能。它仍然表现出较高的余弦相似性、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。总的来说，
换句话说，这种性能甚至可以扩展到分布外数据。Contrastive Language - Image Pretraining）模型，关于嵌入向量集之间的匹配问题或对应问题，CLIP 是多模态模型。