본 논문은 독립적으로 훈련된 신경망 시스템(인공 신경망 또는 뇌 모델)이 유사한 내부 표현에 도달하는 정도인 수렴 학습에 대한 대규모 분석을 제시합니다. 기존 연구는 모델, 데이터셋, 정렬 지표, 평가 시점이 제한적이었던 반면, 본 논문은 수십 개의 비전 모델과 수천 개의 층 쌍 비교를 통해 이러한 한계를 극복합니다. 세 가지 정렬 방법(선형 회귀, 직교 프로크루스테스, 순열/소프트 매칭)을 비교 분석하여 직교 변환이 유연한 선형 변환만큼 효과적이며, 순열 점수도 우연보다 상당히 높다는 것을 발견했습니다. 또한, 대부분의 정렬이 정확도가 안정화되기 전인 첫 번째 에포크 내에 발생하며, 최종 과제 해결이 아닌 공유 입력 통계 및 아키텍처 편향에 의해 주도됨을 보여줍니다. 마지막으로, 분포 외 이미지를 사용한 실험에서 초기 층은 밀접하게 정렬된 반면, 더 깊은 층은 분포 변화에 비례하여 발산함을 확인했습니다. 이러한 결과는 신경과학과 AI에 시사점을 갖는 표상 수렴에 대한 이해의 중요한 공백을 메웁니다.
