Revisitando la Hipótesis de la Representación Platónica: Una Visión Aristotélica

Revisiting the Platonic Representation Hypothesis: An Aristotelian View

February 16, 2026

Autores: Fabian Gröger, Shuo Wen, Maria Brbić

cs.AI

Resumen

La Hipótesis de la Representación Platónica sugiere que las representaciones de las redes neuronales están convergiendo hacia un modelo estadístico común de la realidad. Demostramos que las métricas existentes utilizadas para medir la similitud representacional están sesgadas por la escala de la red: aumentar la profundidad o el ancho del modelo puede inflar sistemáticamente las puntuaciones de similitud representacional. Para corregir estos efectos, introducimos un marco de calibración nula basado en permutaciones que transforma cualquier métrica de similitud representacional en una puntuación calibrada con garantías estadísticas. Reexaminamos la Hipótesis de la Representación Platónica con nuestro marco de calibración, lo que revela un panorama matizado: la aparente convergencia reportada por las medidas espectrales globales desaparece en gran medida después de la calibración, mientras que la similitud de vecindario local, pero no las distancias locales, conserva un acuerdo significativo entre diferentes modalidades. Con base en estos hallazgos, proponemos la Hipótesis de la Representación Aristotélica: las representaciones en las redes neuronales están convergiendo hacia relaciones de vecindario locales compartidas.

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.