본 논문은 데이터 과학 및 머신러닝에서 널리 사용되는 임의 분류기들의 앙상블에서 집합적 행동의 출현을 연구하기 위한 이론적 모델을 제시한다. 분류 손실을 에너지로 사용하여 정의된 Gibbs 측정을 통해 앙상블에 가중치를 부여하면, 손실(또는 에너지)에 대해 분류가 최적인 유한 온도 매개변수가 존재한다는 주장을 제시한다. 가우시안 분포로 생성된 샘플과 교사 퍼셉트론을 사용하여 구성된 레이블의 경우, 이러한 최적 온도는 교사 분류기(학습 문제의 구성에 따라 알 수 없음)나 임의 분류기의 수에 의존하지 않는다는 것을 분석적으로 증명하고 수치적으로 확인한다. 이는 관찰된 행동의 보편적인 특성을 강조한다. MNIST 데이터셋에 대한 실험은 고품질의 잡음이 없는 데이터셋에서 이 현상의 관련성을 강조한다. 마지막으로, 물리적 유추를 통해 연구된 현상의 자기 조직화 특성을 밝힌다.
