Los investigadores de NeuroAI formalizaron la noción de contravarianza demostrando que para cualquier par de soluciones mínimas de Redes Neuronales Profundas (DNN) para una tarea suficientemente difícil, la alineación débil basada en mapeos afines garantiza una alineación fuerte de los ejes privilegiados. Esta alineación cierra la jerarquía de la red, haciendo que los ejes privilegiados emerjan de la optimización de extremo a extremo de la tarea.
- La alineación débil de las representaciones de la red garantiza una alineación fuerte de los ejes privilegiados.
- La alineación se propaga hacia arriba en la jerarquía de la red durante la optimización.
- La evolución convergente entre redes cerebrales artificiales y reales es probablemente inevitable con tareas suficientemente fuertes.
Estos resultados sugieren que cuando las tareas son suficientemente difíciles, la elección de la métrica para la comparación inter-red se vuelve menos sensible.