يمكن للكيانات (الخصائص) والكائنات أن تُكوّن تراكيب متنوعة. ولنمذجة الطبيعة التراكيبية لهذه المفاهيم العامة، يُعدّ تعلّمها من خلال التحولات، مثل الربط والإزالة، خيارًا مناسبًا. ومع ذلك، فإن التحولات المعقدة تحتاج إلى الالتزام بمبادئ محددة لضمان معقوليتها. في هذه الورقة، نُقدّم لأول مرة مبدأً مهملًا سابقًا في تحول الخصائص إلى كائنات: التماثل. على سبيل المثال، يجب أن يؤدي ربط الكائن "تفاحة مُقشّرة" بالخاصية "مقشّرة" إلى الناتج "تفاحة مُقشّرة"، كما يجب أن يؤدي فصل الخاصية "مقشّرة" من "تفاحة" إلى الناتج "تفاحة" دون تغيير. وبإدخال مبدأ التماثل، نُبنى إطارًا للتحويل مستوحى من نظرية الزمر، يُسمّى SymNet. يتكون SymNet من وحدتين رئيسيتين: شبكة الربط (Coupling Network) وشبكة الفصل (Decoupling Network). وباستخدام مبادئ الزمر وخاصية التماثل كأهداف، نُطبّق SymNet باستخدام الشبكات العصبية العميقة، ونُدرّبها ضمن نموذج تدريبي من الطرف إلى الطرف (end-to-end). علاوةً على ذلك، نُقدّم طريقة تصنيف تعتمد على مسافة الحركة النسبية (RMD) للاستفادة من تغير الخصائص بدلًا من نمط الخصائص نفسه في تصنيف الخصائص. يمكن استخدام التعلّم التماثلي في مهام التعلّم التراكبي بدون عينات (Compositional Zero-Shot Learning)، ونُظهر تفوقه على أحدث الأساليب على مجموعات بيانات شائعة الاستخدام. يُمكن الاطلاع على الكود على الرابط: https://github.com/DirtyHarryLYL/SymNet.