Bài báo này đề cập đến việc thiết kế một hệ thống học hiệu quả các hàm hỗ trợ "tổng quát hóa triệt để", một trong những nhiệm vụ chính của việc sử dụng mạng nơ-ron trong trí tuệ nhân tạo và mô hình hóa hàm nhận thức. Chìa khóa của tổng quát hóa triệt để nằm ở khả năng khám phá và triển khai các hàm đối xứng. Trong bài báo này, chúng tôi nghiên cứu "phép cộng cơ sở" như một ví dụ điển hình của phép tổng quát hóa triệt để sử dụng tính đối xứng. Chúng tôi trình bày một phân tích lý thuyết nhóm về hàm nhớ, một đặc điểm cơ bản của phép cộng cơ sở, và đề xuất các phương án thay thế cho các hàm nhớ khác nhau cho một cơ sở nhất định, đồng thời giới thiệu một phương pháp để đo lường chúng một cách định lượng. Chúng tôi nghiên cứu độ lệch quy nạp trong học đối xứng của mạng nơ-ron bằng cách huấn luyện mạng nơ-ron sử dụng các hàm nhớ khác nhau và so sánh hiệu quả và tốc độ học theo cấu trúc của hàm nhớ. Kết quả là, chúng tôi nhận thấy rằng ngay cả các mạng nơ-ron đơn giản cũng có thể đạt được tổng quát hóa triệt để bằng cách sử dụng các định dạng đầu vào và hàm nhớ phù hợp, và tiềm năng học tập có mối tương quan chặt chẽ với cấu trúc của hàm nhớ. Cuối cùng, chúng tôi thảo luận về ý nghĩa của những kết quả này đối với khoa học nhận thức và học máy.
