Yapay zeka alanında kullanılan temsili benzerlik analizi yöntemleri, sinir ağlarının ve biyolojik sistemlerin iç geometrilerini karşılaştırmak için standart araçlar haline geldi. Ancak bu yöntemler önemli bir eksikliği barındırıyor: neyin temsil edildiğini ve iki temsili uzay arasındaki hizalamayı ölçebiliyorlar, fakat bu yapının ne kadar sağlam olduğunu değerlendiremiyorlar.
Araştırmacılar bu soruna çözüm olarak 'geometrik kararlılık' adını verdikleri yeni bir kavram geliştirdi. Bu yaklaşım, temsili kalitenin farklı bir boyutunu ölçerek, bir temsilin ikili mesafe yapısının bozucu etkiler karşısında ne kadar güvenilir kaldığını değerlendiriyor.
Shesha olarak adlandırılan yeni metrik, tamamlayıcı özellik alt kümelerinden oluşturulan temsili farklılık matrislerinin yarı-yarıya korelasyonu yoluyla kendi tutarlılığını ölçüyor. Bu yaklaşımın ayırt edici özelliği, mevcut CKA ve Procrustes gibi yöntemlerin aksine, özellik uzayının ortogonal dönüşümlerine karşı değişmez olmaması.
Bu özellik sayesinde Shesha, sıkıştırma kaynaklı manifold yapı hasarlarını tespit edebiliyor - bu, benzerlik metriklerinin göremediği bir durum. Spektral analiz yöntemleriyle desteklenen bu yaklaşım, yapay zeka sistemlerinin robustluğunu değerlendirmede kritik bir araç sunuyor.