Naukowcy zaproponowali Anchor Divergence, nową metodę pozwalającą na dynamiczną zmianę geometrii w przestrzeni reprezentacji wektorowych. Problem, który rozwiązują, polega na tym, że tradycyjny cosine similarity definiuje jedną stałą geometrię dla wszystkich zadań retrieval, jednak rzeczywista semantyka jest wielowymiarowa i zależy od kontekstu. Dwa obrazy mogą być podobne, ponieważ przedstawiają ten sam obiekt, mają zbliżony styl wizualny lub odnoszą się do tego samego problemu klinicznego - a kontekst decyduje, która forma podobieństwa ma znaczenie.
Klucz do rozwiązania leży w połączeniu trzech koncepcji: contrastive learning, rozkładów wykładniczych i geometrii informacyjnej. Autorzy ustanawiają odpowiedniość między rozkładami prawdopodobieństwa nad "zakotwiczeniami" (anchors) a geometriami Bergmana w przestrzeni reprezentacji. To oznacza, że modelując rozkład kotwic, praktycznie modelujesz samą geometrię. Metoda pozwala specjalizować ustalone już reprezentacje dla konkretnych zadań bez konieczności przetreniowania całego modelu.
Wykazy doświadczeń pokazują, że Anchor Divergences oferują zarówno efektywność obliczeniową, jak i elastyczność w adaptacji do różnych scenariuszy semantycznych. Podejście jest szczególnie wartościowe w aplikacjach, gdzie ta sama reprezentacja musi służyć wielu celom - od wyszukiwania obrazów bazującego na obiekcie, przez matching wizualny, aż po zadania medyczne wymagające specjalistycznej geometrii. To reprezentuje krok w kierunku bardziej elastycznych i adaptacyjnych systemów reprezentacji wektorowych.