본 논문은 표현 비교, 네트워크 등가성 결정, 신경과학 연구 등에서 널리 사용되는 중심 커널 정렬(CKA)의 문제점을 지적하고, 데이터의 다양한 스케일에서 일관되지 않은 동작을 보이는 CKA의 한계를 극복하기 위해 매니폴드 기하학을 정렬 작업에 통합하는 Manifold approximated Kernel Alignment (MKA)를 제안합니다. MKA에 대한 이론적 프레임워크를 제시하고, 합성 데이터셋 및 실제 데이터를 이용한 실험을 통해 기존 방법들과 비교 평가합니다.
