FLARE：通过标准化过程进行与任务无关的嵌入模型评估

当特定于任务的标签不可用时，为特定目标语料库选择嵌入模型变得困难。现有的基于核估计器或高斯混合的无标签度量在高维空间中失败，导致排名不稳定。我们提出了一种基于流的无标签表示嵌入评估（FLARE），它利用归一化流直接从对数似然估计信息充分性，并避免基于距离的密度估计。我们给出有限样本边界，表明估计误差取决于数据流形的内在维度而不是原始嵌入维度。在 11 个数据集和 8 个嵌入器上，FLARE 在监督基准下达到了 Spearman 的 $ρ$ 0.90，并且在现有无标签基线崩溃时在高维嵌入中保持稳定 ($d \geq 3{,}584$)。