無(wú)需數(shù)據(jù)配對(duì)，文本嵌入也能互通？康奈爾研究：所有模型殊途同歸

鷺羽 2025-05-23 18:24:15 來(lái)源：量子位

鷺羽 發(fā)自 凹非寺

量子位 | 公眾號(hào) QbitAI

無(wú)需任何配對(duì)數(shù)據(jù)，就能實(shí)現(xiàn)文本嵌入的模型空間轉(zhuǎn)換？！

曾因llya離職OpenAI，在互聯(lián)網(wǎng)上掀起討論颶風(fēng)的柏拉圖表示假說(shuō)提出：

所有足夠大規(guī)模的圖像模型都具有相同的潛在表示。

那么是否存在針對(duì)文本模型的通用潛在結(jié)構(gòu)呢？

康奈爾大學(xué)現(xiàn)在給出了Plus版答案——vec2vec，首個(gè)無(wú)監(jiān)督文本嵌入的跨向量空間轉(zhuǎn)換方法。

利用共享潛在空間，不僅保留嵌入結(jié)構(gòu)和底層輸入語(yǔ)義，還能夠反推提取嵌入信息。

vec2vec在目標(biāo)嵌入空間中與真實(shí)向量的余弦相似度高達(dá)0.92，并在超過(guò)8000個(gè)隨機(jī)打亂的嵌入上實(shí)現(xiàn)完美匹配，揭示了所有編碼器在不同架構(gòu)或訓(xùn)練數(shù)據(jù)下都擁有幾乎相同的表示形式。

具體內(nèi)容，接下來(lái)我們一一拆解。

增強(qiáng)版柏拉圖表示假說(shuō)

文本嵌入作為NLP的核心技術(shù)，存在許多基于不同數(shù)據(jù)集、數(shù)據(jù)洗牌方式和初始化的嵌入模型。

但不同模型之間由于訓(xùn)練數(shù)據(jù)、架構(gòu)不同，生成的嵌入向量空間完全不兼容，無(wú)法直接進(jìn)行對(duì)齊。

于是團(tuán)隊(duì)從柏拉圖表示假說(shuō)中汲取靈感，提出強(qiáng)柏拉圖表示假說(shuō) （S-PRH）：

使用相同目標(biāo)和模態(tài)、但不同數(shù)據(jù)及模型架構(gòu)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，會(huì)收斂到一個(gè)通用潛在空間，使得無(wú)需任何成對(duì)對(duì)應(yīng)關(guān)系，即可學(xué)習(xí)到它們表征之間的轉(zhuǎn)換關(guān)系。

vec2vec就是在此基礎(chǔ)上構(gòu)建，核心思想就是學(xué)習(xí)和利用文本表示的通用潛在結(jié)構(gòu)，實(shí)現(xiàn)表征的嵌入空間轉(zhuǎn)移，而無(wú)需任何成對(duì)的數(shù)據(jù)或編碼器。

vec2vec采用模塊化架構(gòu)，其中嵌入向量通過(guò)特定空間的適配器模塊進(jìn)行編碼和解碼，并經(jīng)過(guò)共享主干網(wǎng)絡(luò)完成傳遞。

與圖像不同，由于嵌入向量不具有空間偏向性，因此采用帶有殘差連接、層歸一化和SiLU非線性激活函數(shù)的多層感知機(jī) （MLP）替代CNN。

為了確保轉(zhuǎn)換后的向量保留嵌入語(yǔ)義和幾何結(jié)構(gòu)，還引入了以下?lián)p失函數(shù)進(jìn)行優(yōu)化：

• 對(duì)抗性損失：鼓勵(lì)生成的嵌入在嵌入層和潛在層均匹配原始嵌入的經(jīng)驗(yàn)分布。
• 重建損失：強(qiáng)制嵌入在映射到潛在空間并返回原始空間后與初始表示高度一致。
• 循環(huán)一致性損失：作為無(wú)監(jiān)督的配對(duì)對(duì)齊代理，確保能夠嵌入轉(zhuǎn)換并返回時(shí)損失最小。
• 向量空間保持損失：確保翻譯后生成嵌入的成對(duì)關(guān)系保持一致。

實(shí)驗(yàn)結(jié)果

團(tuán)隊(duì)使用三個(gè)指標(biāo)衡量轉(zhuǎn)換質(zhì)量：

1. 平均余弦相似度：衡量轉(zhuǎn)換結(jié)果與目標(biāo)的平均接近程度。
2. Top-1準(zhǔn)確率：轉(zhuǎn)換結(jié)果的目標(biāo)是最近鄰的比例。
3. 平均排名：目標(biāo)相對(duì)于轉(zhuǎn)換結(jié)果的平均排名。

如圖所示，在自然問(wèn)題（NQ）數(shù)據(jù)集上，vec2vec在相同主干模型配對(duì)（如GTE與E5）中達(dá)到接近1.0的Top-1準(zhǔn)確率，顯著優(yōu)于基線。

vec2vec在分布外數(shù)據(jù)（如推文和醫(yī)療記錄）上也表現(xiàn)穩(wěn)健。例如，在TweetTopic上，GTE到Stella的余弦相似度達(dá)0.92，Top-1準(zhǔn)確率100%。

下表也驗(yàn)證了vec2vec在單模態(tài)與多模態(tài)嵌入（如CLIP）中的轉(zhuǎn)換潛力。

同時(shí)實(shí)驗(yàn)也證明，vec2vec不僅可以保留嵌入的幾何結(jié)構(gòu)，還保留足夠的語(yǔ)義以實(shí)現(xiàn)屬性推斷。

在某些模型配對(duì)中，80%的文檔可通過(guò)零樣本反演恢復(fù)內(nèi)容，盡管結(jié)果還并不完美，但也再次證明嵌入幾乎與其輸入一樣體現(xiàn)高保真的語(yǔ)義信息。

以上有關(guān)vec2vec的實(shí)驗(yàn)結(jié)果，為強(qiáng)柏拉圖表示假說(shuō)提供了有力證據(jù)，針對(duì)CLIP的結(jié)果也初步表明可以適用于其他模態(tài)。

誠(chéng)然，這將有助于跨系統(tǒng)訪問(wèn)信息，具有巨大的知識(shí)共享潛力，但隨之而來(lái)的安全風(fēng)險(xiǎn)也必須考慮其中。

僅通過(guò)嵌入向量就可實(shí)現(xiàn)語(yǔ)義信息轉(zhuǎn)換的能力，將會(huì)讓底層文本的敏感信息更容易受到惡意提取和攻擊，威脅向量數(shù)據(jù)庫(kù)安全。

這對(duì)數(shù)據(jù)安全來(lái)說(shuō)既是突破也是挑戰(zhàn)，那么你對(duì)此有什么看法呢？歡迎在評(píng)論區(qū)留言討論～

論文鏈接：https://arxiv.org/abs/2505.12540

參考鏈接：
[1]https://x.com/rishi_d_jha/status/1925212069168910340
[2]https://x.com/jxmnop/status/1925224612872233081
[3]https://www.youtube.com/watch?v=eJpfoDENSBc