Niezależnie trenowane sieci neuronowe kodują te same dane w podobny sposób na poziomie geometrycznym, ale ich latentne przestrzenie nie są bezpośrednio kompatybilne. Naukowcy zadali pytanie, czy sygnatury geometryczne mogą wystarczyć do wyrównania takich przestrzeni bez potrzeby oznaczanych par danych.
Rozwiązaniem jest HGA - metoda bezpośrednio optymalizująca transformację między dwiema latentными przestrzeniami poprzez maksymalizację miary geometrycznego dopasowania. W przeciwieństwie do istniejących podejść, HGA nie opiera się na parach treningowych, lecz na samej geometrii latentnych reprezentacji. To pozwala jej pracować zarówno w trybie nienadzorowanym, jak i słabo nadzorowanym, gdzie dostępne jest jedynie kilka oznaczonych przykładów.
Metoda wykazuje obiecujące rezultaty na praktycznych zadaniach. W scenariuszach takich jak łączenie modeli lub dopasowywanie osadzań wyrazów w różnych językach, HGA uzyskuje wyniki porównywalne z nadzorowanymi metodami referencyjnymi, mimo braku lub minimalnego dostępu do danych treningowych. To otwiera nowe możliwości dla integracji modeli w sytuacjach, gdy dostęp do sparowanych danych jest ograniczony lub kosztowny.