표현 유사성 행렬 (Representational Similarity Matrices, RSMs)이 신경 코드 (neural code)에 대해 무엇을 말해줄 수 있을까요? 이러한 요약 통계량의 인기가 높아짐에 따라, 그 특성에 대한 더욱 완전한 규명이 필요해지고 있습니다. 본 연구에서 우리는 네트워크 입력의 대칭성 (symmetries)이 RSM 기반 분석을 혼란시킬 수 있음을 보여줍니다. 자극의 대칭성은 많은 표현들을 기능적으로 동일하게 만들지만, 이러한 서로 다른 구성은 서로 다른 RSM을 초래할 수 있습니다. 이러한 서로 다른 RSM은 질적으로 다른 표현 기하학 (representational geometries)을 반영합니다. 우리는 확률적 경사 하강법 (Stochastic Gradient Descent, SGD) 또는 에너지 정규화 (energetic regularization)가 희소하고 표류하는 코드 (sparse, drifting codes)를 생성할 수 있으며, 결과적으로 표류하는 RSM으로 이어질 수 있음을 보여줍니다. 또한, 우리는 이러한 현상이 대칭성이 잠재적인 (latent) 이미지 데이터를 인코딩하도록 훈련된 네트워크에서도 존재함을 입증합니다. 우리의 결과는 기능적으로 동일한 표현들이 단순한 회전 (rotation)에 의해 연결되지 않을 때, 비선형 신경 코드 (nonlinear neural codes)를 비교하는 데 내재된 어려움을 보여줍니다.