자기 지도 학습(SSL)은 많은 최신 AI 시스템을 움직이는 원동력이다. 연구 관심과 투자가 증가함에 따라 SSL 설계 공간은 계속 확장되고 있다. 플라톤적 표상 가설(PRH)을 따르는 SSL의 플라톤적 관점은 서로 다른 방법과 엔지니어링 접근 방식에도 불구하고 모든 표상이 동일한 플라톤적 이상에 수렴한다고 제안한다. 그러나 이 현상은 정확한 이론적 설명이 부족하다. 식별 가능성 이론(IT)의 증거를 종합하여 PRH가 SSL에서 나타날 수 있음을 보여준다. 그러나 현재 IT는 SSL의 경험적 성공을 설명할 수 없다. 이론과 실제 간의 간극을 해소하기 위해 IT를 전체 SSL 파이프라인을 포함하는 더 광범위한 이론적 프레임워크인 특이 식별 가능성 이론(SITh)으로 확장할 것을 제안한다. SITh는 SSL의 암묵적 데이터 가정에 대한 더 깊은 통찰력을 제공하고 더 해석 가능하고 일반화 가능한 표상을 학습하는 방향으로 이 분야를 발전시킬 것이다. 미래 연구를 위한 세 가지 중요한 방향을 강조한다: 1) SSL의 훈련 역학 및 수렴 특성; 2) 유한 샘플, 배치 크기 및 데이터 다양성의 영향; 3) 아키텍처, 증강, 초기화 계획 및 최적화기에서 유도적 편향의 역할.
