본 논문은 두 신경망 시스템의 동일성을 판단하는 새로운 방법을 제시합니다. 기존의 상관 분석 방법(RSA, CKA)과 달리, 인과적 개입을 통해 신경망 표상의 유사성과 행동 간의 관계를 규명합니다. 이를 위해, 다중 분산 네트워크 표상에서 행동 정보를 분리하고 교환할 수 있는 정렬된 부분 공간을 찾는 직교 변환을 학습하는 방법을 제시합니다. 본 논문에서는 이 방법이 모델 스티칭과 유사하게 한 신경망의 행동을 다른 신경망으로 전이할 수 있음을 보이고, RSA와 같은 상관 유사성 측정법을 보완하는 방법을 제시합니다. 또한, Gram-Schmidt 과정을 이용한 효율적인 부분 공간 직교화 기법을 소개하여 대규모 모델 분석을 가능하게 합니다. 더 나아가, 훈련 중 하나의 네트워크 표상만 접근 가능한 경우에도 인과적으로 관련된 정렬을 학습하기 위해 손실 목적 함수에 보조 손실을 추가하는 방법을 제시하고, 숫자 표상을 사례 연구로 활용하여 여러 과제와 모델에서 특정 유형의 표상 정보를 비교하는 방법을 보여줍니다. 마지막으로, 제안된 방법이 모델 스티칭과 동등하게 작동하거나 인과 정보에 더 제한적인 형태를 취할 수 있으며, 두 경우 모두 n개 모델 비교에 필요한 행렬 수를 n의 이차 함수에서 선형 함수로 줄인다는 것을 이론적, 실험적으로 보여줍니다.
