Autorzy pracy wykazali, że grupa automorfizmów geometrii bodźców determinuje limity identyfikowalności w wyrównywaniu reprezentacji nienadzorowanych, niezależnie od ilości dostępnych danych. Problem pojawia się szczególnie quando gęste próbkowanie generuje prawie-duplikaty, których transpozycja jest prawie bezkosztowa dla funkcji optymalizacyjnych - standardowa metryka "najtańszego nie-identycznego preetykietowania" nie potrafi tego wykryć i błędnie ranguje projekty eksperymentalne.
Badacze zaproponowali prostą diagnostykę na etapie designu: przed zbieraniem danych wystarczy jedno wywołanie funkcji, aby sprawdzić czy geometria bodźców zawiera symetrie mogące zablokować uczenie się. Na przykładzie kolorów wykazali, że symetryczny design pozostaje „zamrożony" nawet przy 64-krotnie większym budżecie restartów algorytmu, natomiast asymetryczny zestaw przy tej samej liczbie próbek N zawsze się uczy. Krytyczne odkrycie: wybór reprezentacji przez model (co potrafi dobrze robić) i odzyskanie właściwej korespondencji między bodźcami to praktycznie nieskorelowane cele (r = -0,02 na 3000 podzbiorach danych).
W eksperymencie badacze wybrali zaledwie 9 kolorów za pomocą swojej diagnostyki, bez patrzenia na żadne wytrenowane reprezentacje. Ta procedura przesunęła wszystkie 93 testowane reprezentacje modeli z punktu degeneracji i spadła częstość katastrofalnych błędów wyrównania z 75% do 2%, podczas gdy modele, warstwy, N i solver pozostały stałe. Problem dotyczy szerszej klasy problemów: wszędzie tam gdzie regularny design spotyka grupę izometrij geometrii - równomiernie rozmieszczone orientacje, tony czy kierunki ruchu. Proponowana metoda wymaga tylko jedno-rzędowego kosztu obliczeniowego przed fazą eksperymentalną.