🧬 biology

Signal-to-Noise Ratio and Sample Size Govern Representational Alignment in Neural Networks

यह शोध पत्र प्रदर्शित करता है कि न्यूरल नेटवर्क के बीच प्रतिनिधि संरेखण (representational alignment) सिग्नल-टू-नॉइज़ अनुपात और नमूना आकार द्वारा एक गैर-एकदिष्ट (non-monotonic) तरीके से नियंत्रित होता है, जो विशेष रूप से इंटरपोलेशन थ्रेशोल्ड के पास न्यूनतम संरेखण को दर्शाता है, एक ऐसी घटना जो सामान्यीकरण प्रदर्शन (generalization performance) से स्वतंत्र है।

मूल लेखक: Ali Hussaini Umar, Alessandro Laio

प्रकाशित 2026-05-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ali Hussaini Umar, Alessandro Laio

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

मुख्य विचार: क्या अलग-अलग छात्र एक ही तरह से सीखते हैं?

कल्पना कीजिए कि आपके पास छात्रों (न्यूरल नेटवर्क) की एक कक्षा है जो एक ही विषय (जैसे गणित या फोटो में बिल्लियों को पहचानना) सीखने की कोशिश कर रही है। आप प्रत्येक छात्र को थोड़ा अलग पाठ्यपुस्तक (ट्रेनिंग डेटा) देते हैं और उन्हें अपने आप अध्ययन करने देते हैं।

आमतौर पर, हम यह मान लेते हैं कि यदि दो छात्रों के टेस्ट स्कोर समान हैं, तो उन्होंने सामग्री को एक ही तरह से सीखा होगा। लेकिन यह शोध एक गहरा सवाल पूछता है: भले ही उन्हें समान स्कोर मिले, क्या वे वास्तव में अपने दिमाग के अंदर दुनिया को एक ही तरह से "देखते" हैं?

शोधकर्ताओं ने पाया कि जवाब नहीं है। दो छात्र टेस्ट में उत्कृष्ट प्रदर्शन कर सकते हैं लेकिन उनके विषय के प्रति मानसिक मानचित्र (mental maps) पूरी तरह से अलग हो सकते हैं। इसके अलावा, उनकी पाठ्यपुस्तकों की गुणवत्ता (जानकारी कितनी स्पष्ट है) और उनके पाठ्यपुस्तकों का आकार (उन्होंने कितने उदाहरण पढ़े) इस बात को बदलते हैं कि वे अपनी सोच को कैसे संरेखित (align) करते हैं, लेकिन हमेशा उस तरह से नहीं जैसा आप उम्मीद करते हैं।

उपकरण: "मानसिक समानता" को मापना

यह पता लगाने के लिए कि क्या दो छात्र एक जैसा सोच रहे हैं, शोधकर्ताओं को एक विशेष पैमाने की आवश्यकता थी। मानक पैमाने (जैसे यह देखना कि क्या दो नक्शे समान दिखते हैं) अच्छी तरह काम नहीं करते थे क्योंकि छात्रों के आंतरिक मानचित्र कागज की तरह सपाट नहीं, बल्कि रोलरकोस्टर की तरह मुड़े हुए और घुमावदार थे।

इसके बजाय, उन्होंने कंडीशनल कॉपुला एंट्रॉपी (Conditional Copula Entropy - CCE) नामक उपकरण का उपयोग किया।

उदाहरण: कल्पना कीजिए कि छात्र A के पास एक शहर का नक्शा है। यदि आप छात्र A से कहते हैं, "मैं लाइब्रेरी के ठीक बगल में खड़ा हूँ," तो क्या छात्र B अनुमान लगा सकता है कि आप कहाँ हैं?
- यदि छात्र B आसानी से अनुमान लगा सकता है, तो उनके मानचित्र संरेखित (aligned) हैं (वे पड़ोस की संरचना को एक ही तरह से देखते हैं)।
- यदि छात्र B पूरी तरह से भ्रमित है, तो उनके मानचित्र असंरेखित (misaligned) हैं।
शोधकर्ताओं ने मापा कि एक छात्र के "पड़ोस" के अनुमान दूसरे के साथ कितनी अच्छी तरह मेल खाते हैं।

दो मुख्य कारक

शोध पत्र ने दो चीजों का परीक्षण किया जो इन छात्रों के सीखने के तरीके को बदलती हैं:

1. सिग्नल-टू-नॉइज़ रेशियो (SNR): "पाठ्यपुस्तक की स्पष्टता"

उदाहरण: टेस्ट के लिए पढ़ाई करने की कल्पना करें।
- उच्च SNR (High SNR): पाठ्यपुस्तक स्पष्ट है, शिक्षक ज़ोर से बोल रहा है, और कोई बैकग्राउंड शोर नहीं है।
- निम्न SNR (Low SNR): पाठ्यपुस्तक धुंधली है, शिक्षक बुदबुदा रहा है, और बाहर निर्माण कार्य का शोर है।
निष्कर्ष: जब "पाठ्यपुस्तक" अधिक स्पष्ट होती है (उच्च SNR), तो छात्रों के आंतरिक मानचित्र एक-दूसरे के अधिक समान हो जाते हैं। वे सभी इस बात पर सहमत होते हैं कि पड़ोस कैसा दिखता है। जब शोर अधिक होता है, तो उनके आंतरिक मानचित्र अराजक और एक-दूसरे से भिन्न हो जाते हैं।

2. सैंपल साइज (Sample Size): "पाठ्यपुस्तक का आकार"

उदाहरण: छात्र उदाहरणों के कितने पन्ने पढ़ता है?
- बहुत कम पन्ने: उन्होंने एक ठोस राय बनाने के लिए पर्याप्त उदाहरण नहीं देखे हैं।
- बिल्ड़े पर्याप्त पन्ने: उनके पास उत्तरों को पूरी तरह से याद करने के लिए बिल्कुल पर्याप्त जानकारी है।
- बहुत अधिक पन्ने: उन्होंने इतने उदाहरण देख लिए हैं कि वे ऐसे पैटर्न खोजने लगते हैं जो वास्तव में वहां हैं ही नहीं।
निष्कर्ष: यह वह जगह है जहाँ चीज़ें अजीब हो जाती हैं। उनके सोचने का संरेखण (alignment) एक सीधी रेखा में ऊपर-नीचे नहीं होता है।
- यह ठीक उसी समय अपने सबसे निचले स्तर पर गिर जाता है जब छात्र के पास ट्रेनिंग सेट को पूरी तरह से याद करने के लिए पर्याप्त डेटा होता है (इंटरपोलेशन थ्रेशोल्ड)।
- इस सटीक क्षण पर, भले ही छात्र अभ्यास टेस्ट पर परफेक्ट स्कोर प्राप्त कर रहे हों, उनके आंतरिक मानचित्र एक-दूसरे से पूरी तरह अलग होते हैं। वे सभी अपने अनूठे, अराजक तरीकों से उत्तरों को रट रहे होते हैं।
- एक बार जब वे इससे अधिक अध्ययन करते हैं (overparameterized), तो उनके मानचित्र फिर से संरेखित होने लगते हैं।

चौंकाने वाला मोड़: अच्छे ग्रेड $\neq$ अच्छी समझ

सबसे महत्वपूर्ण खोज यह है कि अच्छे ग्रेड पाने का मतलब यह नहीं है कि आपकी समझ अच्छी है।

परिदृश्य: शोधकर्ताओं ने एक "लीनियर नेटवर्क" (एक सरल छात्र) और एक "नॉन-लीनियर नेटवर्क" (एक जटिल, रचनात्मक छात्र) की तुलना की।
परिणाम: सरल छात्र ने बेहतर टेस्ट स्कोर (कम त्रुटि) प्राप्त किया। हालांकि, जटिल छात्र के पास बेहतर, अधिक संरचित आंतरिक मानचित्र थे।
सीख: जटिल छात्र ने डेटा को देखने का एक समृद्ध, अधिक सूचनात्मक तरीका सीखा, भले ही उन्होंने अंतिम टेस्ट में अधिक गलतियाँ की हों।
चेतावनी: यदि आप केवल टेस्ट स्कोर (जनरलाइजेशन एरर) को देखते हैं, तो आप सोच सकते हैं कि सरल छात्र "अधिक बुद्धिमान" है या उसका मॉडल बेहतर है। लेकिन वास्तव में, जटिल छात्र के पास दुनिया का अधिक उपयोगी आंतरिक प्रतिनिधित्व (representation) है।

सरल अंग्रेजी में सारांश

संरेखण (Alignment): अलग-अलग डेटा पर प्रशिक्षित न्यूरल नेटवर्क अक्सर दुनिया के समान आंतरिक "मानचित्रों" को प्राप्त करते हैं।
स्पष्टता मायने रखती है: डेटा जितना स्पष्ट होगा (कम शोर), उनके मानचित्र उतने ही अधिक समान होंगे।
मात्रा पेचीदा है: डेटासेट का आकार संरेखण को "U-आकार" में बदल देता है। मानचित्र सबसे अधिक भिन्न (सबसे कम संरेखित) होते हैं जब नेटवर्क ट्रेनिंग डेटा को पूरी तरह से याद करने के लिए पर्याप्त बड़ा होता है।
प्रदर्शन एक खराब पैमाना है: एक नेटवर्क बेहतर टेस्ट स्कोर प्राप्त कर सकता है लेकिन फिर भी उसका आंतरिक मानचित्र एक दूसरे नेटवर्क की तुलना में "कम बुद्धिमान" या कम सूचनात्मक हो सकता है। आप केवल उसके टेस्ट परिणामों को देखकर नेटवर्क की आंतरिक सोच की गुणवत्ता का निर्णय नहीं ले सकते।

शोध पत्र निष्कर्ष निकालता है कि AI कैसे सीखता है इसे वास्तव में समझने के लिए, हमें अंतिम टेस्ट स्कोर के बजाय उसके "मस्तिष्क" (प्रतिनिधित्व/representations) के अंदर देखना होगा।

तकनीकी सारांश: सिग्नल-टू-नॉइज़ रेशियो और सैंपल साइज़ न्यूरल नेटवर्क में रिप्रजेंटेशनल अलाइनमेंट को नियंत्रित करते हैं

समस्या विवरण

स्वतंत्र रूप से प्रशिक्षित डीप लर्निंग मॉडल अक्सर संरचनात्मक रूप से समान आंतरिक निरूपणों (internal representations) की ओर अभिसरित होते हैं, जिसे "रिप्रजेंटेशनल अलाइनमेंट" कहा जाता है। हालांकि इस "प्लेटोनिक रिप्रजेंटेशन हाइपोथेसिस" के लिए अनुभवजन्य साक्ष्य मजबूत हैं, लेकिन इसके नियंत्रक सैद्धांतिक तंत्र अभी भी अज्ञात हैं। विशेष रूप से, निम्नलिखित मौलिक प्रश्न बने हुए हैं:

अलाइनमेंट प्रशिक्षण डेटा की गुणवत्ता (शोर स्तर) और मात्रा (सैंपल साइज़) पर कैसे निर्भर करता है।
क्या अलाइनमेंट को संचालित करने वाले तंत्र अंडरपैरामीटराइज्ड (underparameterized) और ओवरपैरामीटराइज्ड (overparameterized) व्यवस्थाओं के बीच भिन्न होते हैं।
क्या रिप्रजेंटेशनल अलाइनमेंट मॉडल की गुणवत्ता (जनरलाइजेशन एरर) का एक विश्वसनीय भविष्यवक्ता है।

मौजूदा अध्ययन मुख्य रूप से रिप्रजेंटेशनल सिमिलैरिटी एनालिसिस (RSA), सिंगुलर वेक्टर कैनोनिकल कोरिलेशन एनालिसिस (SVCCA), और सेंटर्ड कर्नल अलाइनमेंट (CKA) जैसे उपकरणों का उपयोग करके अलाइनमेंट को परिमाणित करते हैं। हालाँकि, ये मेट्रिक्स अक्सर रैखिक पत्राचार (linear correspondences) को मानते हैं और अत्यधिक घुमावदार, नॉन-लीनियर मैनिफोल्ड्स पर स्थित निरूपणों के लिए अनुपयुक्त हो सकते हैं। इसके अलावा, यह स्पष्ट नहीं है कि बेहतर जनरलाइजेशन प्रदर्शन अनिवार्य रूप से अधिक अलाइन्ड आंतरिक निरूपणों को दर्शाता है या नहीं।

कार्यप्रणाली

सैद्धांतिक ढांचा और मेट्रिक

लेखक अलाइनमेंट के लिए एक नया सांख्यिकीय माप प्रस्तावित करते हैं जिसे कंडीशनल कॉपुला एंट्रॉपी (CCE) कहा जाता है। CKA जैसे सममित (symmetric) उपायों के विपरीत, CCE असममित है और यह मापता है कि एक निरूपण का पड़ोस संरचना (neighborhood structure) दूसरे के पड़ोस संरचना की कितनी अच्छी तरह भविष्यवाणी करती है।

परिभाषा: CCE, इंफॉर्मेशन इम्बैलेंस (II) से व्युत्पन्न है और कॉपुला वेरिएबल्स की नेगेटिव कंडीशनल एंट्रॉपी है: $CCE(A \to B) = -\lim_{\eta \to 0} H(c_B | c_A = \eta)$ ।
तर्क: यह स्थानिक $A$ में बिंदु सूक्ष्म रूप से करीब होने पर, स्थान $B$ में दूरियों के बारे में अनिश्चितता में कमी को मापकर स्थानीय रिप्रजेंटेशनल अलाइनमेंट को पकड़ता है।
एनालिटिक ट्रेक्टेबिलिटी: महत्वपूर्ण रूप से, गॉसियन वेक्टर्स के एक-आयामी प्रोजेक्शन के लिए, CCE का एक क्लोज्ड-फॉर्म एक्सप्रेशन सहसंबंध गुणांक $\rho$ पर निर्भर करता है: $CCE = -\frac{1}{2}\log(1-\rho^2) - \frac{1}{2}\rho^2$ ।

प्रयोगात्मक सेटअप

अध्ययन सिद्धांत को मान्य करने के लिए एक बहु-स्तरीय दृष्टिकोण अपनाता है:

लीनियर टीचर-स्टूडेंट सेटिंग (एनालिटिक):
- मॉडल: एक टू-लेयर डीप लीनियर नेटवर्क जिसे नॉइज़ी लीनियर रिग्रेशन कार्य ( $y = w^* \cdot x + \epsilon$ ) पर ग्रेडिएंट डिसेंट के माध्यम से प्रशिक्षित किया गया है।
- प्रोटोकॉल: दो समान स्टूडेंट नेटवर्क को एक ही टीचर डिस्ट्रीब्यूशन से लिए गए स्वतंत्र डेटासेट्स पर स्वतंत्र रूप से प्रशिक्षित किया जाता है।
- विश्लेषण: लेखक ग्लोबल मिनिमम पर दोनों नेटवर्कों के हिडन रिप्रेजेंटेशन्स के बीच एसिम्प्टोटिक कोरिलेशन ( $\rho^*$ ) को व्युत्पन्न करते हैं। यह SNR और इनपुट डायमेंशन के अनुपात ( $\alpha = n/d$ ) के फलन के रूप में CCE की एनालिटिक गणना की अनुमति देता है।
नॉन-लीनियर सिमुलेशन (न्यूमेरिकल):
- मॉडल: ReLU एक्टिवेशन फंक्शन के साथ टू-लेयर नेटवर्क।
- कार्य: लीनियर सेटिंग वाले समान सिंथेटिक रिग्रेशन कार्य।
- तुलना: लीनियर और ReLU नेटवर्क के बीच अलाइनमेंट और जनरलाइजेशन एरर का सीधा तुलनात्मक विश्लेषण।
रियल-वर्ल्ड क्लासिफिकेशन:
- डेटासेट्स: CIFAR-10 (एक CNN का उपयोग करके) और MNIST (एक फुली कनेक्टेड न्यूरल नेटवर्क का उपयोग करके)।
- प्रोटोकॉल: नेटवर्क को लेबल नॉइज़ (जो इनवर्स SNR के रूप में कार्य करता है) के विभिन्न स्तरों के साथ स्वतंत्र डेटा सबसेट्स पर प्रशिक्षित किया जाता है।
- मेट्रिक: पेनल्टीमेट लेयर रिप्रेजेंटेशन्स के बीच CCE की गणना की जाती है।

मुख्य योगदान

सैद्धांतिक व्युत्पत्ति: पेपर डीप लीनियर नेटवर्क में रिप्रजेंटेशनल अलाइनमेंट का विश्लेषण करने के लिए एक सैद्धांतिक ढांचा स्थापित करता है, जो भार के सहसंबंध के आधार पर CCE के क्लोज्ड-फॉर्म एक्सप्रेशन को व्युत्पन्न करता है।
गवर्नेंस फैक्टर्स: लेखक प्रदर्शित करते हैं कि अलाइनमेंट दो प्राथमिक कारकों द्वारा शासित होता है:
- सिग्नल-टू-नॉइज़ रेशियो (SNR): सभी व्यवस्थाओं (लीनियर और नॉन-लीनियर, रिग्रेशन और क्लासिफिकेशन) में SNR के साथ अलाइनमेंट मोनोटोनिक रूप से बढ़ता है।
- सैंपल साइज़: सैंपल साइज़ के साथ अलाइनमेंट नॉन-मोनोटोनिकली बदलता है। यह इंटरपोलेशन थ्रेशोल्ड ( $n \approx d$ या $n \approx p$ ) के पास अपने न्यूनतम स्तर पर पहुँचता है, जो जनरलाइजेशन एरर में देखे गए "डबल डिसेंट" व्यवहार को दर्शाता है।
अलाइनमेंट और जनरलाइजेशन का अलगाव: अध्ययन प्रमाण प्रदान करता है कि उच्च जनरलाइजेशन प्रदर्शन आवश्यक रूप से उच्च रिप्रजेंटेशनल अलाइनमेंट का संकेत नहीं देता है।
- अंडरपैरामीटराइज्ड रिजीम में, अलग-अलग SNR वाले नेटवर्क समान जनरलाइजेशन एरर प्राप्त कर सकते हैं लेकिन उनके अलाइनमेंट के स्तर भिन्न हो सकते हैं।
- ओवरपैरामीटराइज्ड रिजीम में, बेहतर जनरलाइजेशन वाले कम SNR वाले नेटवर्क में उच्च SNR वाले नेटवर्क की तुलना में कम अलाइन्ड रिप्रेजेंटेशन्स हो सकते हैं।
इन्फॉर्मेटिवनेस बनाम परफॉरमेंस: पेपर दिखाता है कि एक नेटवर्क कम प्रदर्शन वाले नेटवर्क की तुलना में अधिक सूचनात्मक (informative) आंतरिक निरूपण सीखते हुए भी उच्च कार्य प्रदर्शन प्राप्त कर सकता है। यह दर्शाता है कि कार्य प्रदर्शन (task performance) रिप्रजेंटेशन की गुणवत्ता के लिए एक अपर्याप्त प्रॉक्सी है।

परिणाम

लीनियर नेटवर्क

जनरलाइजेशन एरर: विशिष्ट डबल डिसेंट कर्व प्रदर्शित करता है, जो इंटरपोलेशन थ्रेशोल्ड ( $\alpha = 1$ ) पर चरम पर होता है।
अलाइनमेंट (CCE): सैंपल साइज़ पर गैर-एकदिष्ट (non-monotonic) निर्भरता भी प्रदर्शित करता है, जो इंटरपोलेशन थ्रेशोल्ड के पास न्यूनतम (शून्य अलाइनमेंट के करीब) तक पहुँचता है।
SNR निर्भरता: उच्च SNR लगातार मजबूत अलाइनमेंट की ओर ले जाता है। विशेष रूप से, अंडरपैरामीटराइज्ड रिजीम ( $\alpha > 1$ ) में, अलग-अलग SNR समान जनरलाइजेशन एरर प्रदर्शित करते हैं लेकिन अलग-अलग अलाइनमेंट स्तर दिखाते हैं।

नॉन-लीनियर नेटवर्क (ReLU)

गुणात्मक समानता: ReLU नेटवर्क में CCE और जनरलाइजेशन एरर का व्यवहार लीनियर केस के समान ही है: सैंपल साइज़ के साथ गैर-एकदिष्ट निर्भरता और SNR के साथ मोनोटोनिक सुधार।
मात्रात्मक अंतर: लीनियर केस के विपरीत, इंटरपोलेशन थ्रेशोल्ड पर जनरलाइजेशन एरर डाइवर्ज (diverge) नहीं होता है, और CCE शून्य तक नहीं गिरता है। इसके बजाय, यह एक SNR-निर्भर मान पर अभिसरित होता है, जो यह सुझाव देता है कि थ्रेशोल्ड पर भी नॉन-लीनियर नेटवर्क कुछ साझा जानकारी बनाए रखते हैं।
लीनियर बनाम ReLU तुलना: जब उन्हें एक ही डेटासेट पर प्रशिक्षित किया जाता है, तो लीनियर नेटवर्क कम जनरलाइजेशन एरर (बेयस-ऑप्टिमल लर्नर के करीब) प्राप्त करता है लेकिन कम सूचनात्मक (कम CCE) निरूपण सीखता है। ReLU नेटवर्क, उच्च एरर के बावजूद, अधिक समृद्ध संरचनात्मक जानकारी कैप्चर करता है।

रियल-वर्ल्ड डेटा (CIFAR-10, MNIST)

लेबल नॉइज़: लेबल नॉइज़ (इनवर्स SNR) को शामिल करने से जनरलाइजेशन एरर बढ़ जाता है और रिप्रजेंटेशनल अलाइनमेंट कम हो जाता है।
सैंपल साइज़: सैंपल साइज़ के साथ गैर-एकदिष्ट संबंध बना रहता है, जिसका न्यूनतम मान इंटरपोलेशन थ्रेशोल्ड के पास होता है।
निरंतरता: निष्कर्ष सिंथेटिक लीनियर सेटिंग्स से लेकर मानक आर्किटेक्चर का उपयोग करके जटिल, वास्तविक वर्गीकरण कार्यों तक विस्तृत हैं।

महत्व और दावे

पेपर दावा करता है कि वह डेटा की गुणवत्ता और मात्रा पर अलाइनमेंट की एक गैर-तुच्छ (non-trivial) निर्भरता प्रदान करता है, जो जनरलाइजेशन परफॉरमेंस से अलग है। CCE पेश करके, लेखक एक ऐसा मीट्रिक प्रदान करते हैं जो अत्यधिक घुमावदार मैनिफोल्ड्स पर अलाइनमेंट को पकड़ने में सक्षम है जहाँ पारंपरिक रैखिक माप (CKA, SVCCA) विफल हो सकते हैं या स्प्यूरियस (spurious) समानता रिपोर्ट कर सकते हैं।

मुख्य महत्व इस धारणा को चुनौती देने में है कि बेहतर कार्य प्रदर्शन बेहतर या अधिक अलाइन्ड आंतरिक निरूपणों के बराबर होता है। लेखक तर्क देते हैं कि:

कार्य प्रदर्शन (Task performance) रिप्रजेंटेशन की गुणवत्ता के लिए एक अपर्याप्त प्रॉक्सी है। एक नेटवर्क दूसरे की तुलना में एक विशिष्ट कार्य में बेहतर प्रदर्शन कर सकता है, फिर भी कम संरचित या कम सूचनात्मक आंतरिक निरूपण एनकोड कर सकता है।
अलाइनमेंट "अच्छे सीखने" का सार्वभौमिक संकेतक नहीं है। अलाइनमेंट को चलाने वाले तंत्र (SNR, सैंपल साइज़) जनरलाइजेशन एरर को चलाने वाले तंत्रों से स्वतंत्र रूप से कार्य करते हैं।

ये निष्कर्ष रिप्रजेंटेशन लर्निंग के बारे में एक सिद्धांत बनाने में योगदान देते हैं, जिससे उन विशिष्ट स्थितियों की पहचान होती है (SNR और डाइमेंशनलिटी के सापेक्ष सैंपल साइज़) जिनमें स्वतंत्र रूप से प्रशिक्षित नेटवर्क समान रूप से संरचित आंतरिक निरूपणों की ओर अभिसरित होते हैं। यह कार्य सुझाव देता है कि निरूपणों का "प्लेटोनिक" अभिसरण गारंटीकृत नहीं है, बल्कि यह डेटा के सांख्यिकीय गुणों और प्रशिक्षण व्यवस्था द्वारा सख्ती से नियंत्रित होता है।