Revisitando a Hipótese da Representação Platônica: Uma Visão Aristotélica

Revisiting the Platonic Representation Hypothesis: An Aristotelian View

February 16, 2026

Autores: Fabian Gröger, Shuo Wen, Maria Brbić

cs.AI

Resumo

A Hipótese da Representação Platónica sugere que as representações de redes neurais estão a convergir para um modelo estatístico comum da realidade. Demonstramos que as métricas existentes usadas para medir a similaridade representacional são confundidas pela escala da rede: o aumento da profundidade ou largura do modelo pode inflacionar sistematicamente os escores de similaridade representacional. Para corrigir estes efeitos, introduzimos uma estrutura de calibração nula baseada em permutações que transforma qualquer métrica de similaridade representacional num escore calibrado com garantias estatísticas. Revisitamos a Hipótese da Representação Platónica com a nossa estrutura de calibração, o que revela um quadro mais matizado: a aparente convergência reportada por medidas espectrais globais desaparece largamente após a calibração, enquanto a similaridade de vizinhança local, mas não as distâncias locais, mantém um acordo significativo entre diferentes modalidades. Com base nestas descobertas, propomos a Hipótese da Representação Aristotélica: as representações em redes neurais estão a convergir para relações de vizinhança locais partilhadas.

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.