Revisited: Die platonische Repräsentationshypothese aus aristotelischer Sicht

Revisiting the Platonic Representation Hypothesis: An Aristotelian View

February 16, 2026

papers.authors: Fabian Gröger, Shuo Wen, Maria Brbić

cs.AI

papers.abstract

Die Platonische Repräsentationshypothese postuliert, dass sich Repräsentationen neuronaler Netze zu einem gemeinsamen statistischen Modell der Realität hin entwickeln. Wir zeigen, dass die existierenden Metriken zur Messung von Repräsentationsähnlichkeit durch die Netzwerkgröße verzerrt werden: Eine Erhöhung der Modelltiefe oder -breite kann Repräsentationsähnlichkeitswerte systematisch aufblähen. Um diese Effekte zu korrigieren, führen wir ein permutationsbasiertes Null-Kalibrierungsframework ein, das jede Repräsentationsähnlichkeitsmetrik in einen kalibrierten Score mit statistischen Garantien transformiert. Wir überprüfen die Platonische Repräsentationshypothese mit unserem Kalibrierungsframework erneut, was ein differenziertes Bild offenbart: Die von globalen Spektralmaßen berichtete scheinbare Konvergenz verschwindet nach der Kalibrierung weitgehend, während lokale Nachbarschaftsähnlichkeit – nicht jedoch lokale Distanzen – eine signifikante Übereinstimmung über verschiedene Modalitäten hinweg beibehält. Basierend auf diesen Ergebnissen schlagen wir die Aristotelische Repräsentationshypothese vor: Repräsentationen in neuronalen Netzen konvergieren zu gemeinsamen lokalen Nachbarschaftsbeziehungen.

English

The Platonic Representation Hypothesis suggests that representations from neural networks are converging to a common statistical model of reality. We show that the existing metrics used to measure representational similarity are confounded by network scale: increasing model depth or width can systematically inflate representational similarity scores. To correct these effects, we introduce a permutation-based null-calibration framework that transforms any representational similarity metric into a calibrated score with statistical guarantees. We revisit the Platonic Representation Hypothesis with our calibration framework, which reveals a nuanced picture: the apparent convergence reported by global spectral measures largely disappears after calibration, while local neighborhood similarity, but not local distances, retains significant agreement across different modalities. Based on these findings, we propose the Aristotelian Representation Hypothesis: representations in neural networks are converging to shared local neighborhood relationships.