颜色设计翻车率75%→2%！一个诊断让93个模型全避开对称陷阱，只需一次函数调用！
More Data Cannot Break a Symmetry: Identifiability by Design
📖 AI 总结
该研究指出，无监督表征对齐中刺激几何的自同构群从根本上限制了可识别性，且增加数据量无法打破这种对称性。作者将已知的不变性转化为设计阶段的诊断工具，发现密集采样产生的近重复样本会导致廉价重标记诊断失效。在颜色刺激的封闭形式几何中，对称设计即使增加64倍重启预算仍无法恢复，而非对称设计在相同样本量下总能成功。关键发现是判别表征模型与恢复对应关系几乎不相关（相关系数r=-0.02）。仅依据该诊断选择九种颜色，无需参考任何学习表征，即可使93个模型表征远离退化点，将灾难性对齐失败率从75%降至2%。该风险普遍存在于规则设计匹配等距群的情况，如均匀间隔的方向、音调或运动方向，且检查成本仅需数据收集前一次函数调用。
🔑 关键词速览
| 无监督表征对齐 | 一种无需标签，仅基于几何结构匹配不同表征空间中刺激对应关系的方法。 |
| 自同构群 | 保持几何结构不变的变换集合，其存在限制了可识别的对齐结果。 |
| 简并性 | 因对称性导致多个解等价，使得对齐无法唯一确定的现象。 |
| 非恒等重标号 | 改变刺激标签但保持几何结构不变的置换操作，用于检测对齐的退化程度。 |
| 等距群 | 保持距离不变的变换群，当规则设计与等距群相遇时会产生对齐风险。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅