속성과 객체는 다양한 조합을 형성할 수 있다. 이러한 일반 개념의 조합적 특성을 모델링하기 위해, 결합과 분리와 같은 변환을 통해 이를 학습하는 것은 효과적인 접근이다. 그러나 복잡한 변환은 합리성을 보장하기 위해 특정 원칙을 충족해야 한다. 본 논문에서는 기존에 간과되어 왔던 속성-객체 변환의 원칙인 '대칭성(Symmetry)'을 제안한다. 예를 들어, '껍질을 벗긴 사과(peeled-apple)'라는 객체에 속성 '껍질을 벗긴(peeled)'을 결합하면 결과는 여전히 '껍질을 벗긴 사과'가 되어야 하며, 반대로 '사과'에서 '껍질을 벗긴' 속성을 분리해도 결과는 여전히 '사과'여야 한다. 이러한 대칭성 원칙을 반영하여 군 이론(group theory)에 영감을 받은 변환 프레임워크인 SymNet을 제안한다. SymNet은 결합 네트워크(Coupling Network)와 분리 네트워크(Decoupling Network)의 두 모듈로 구성된다. 군의 공리와 대칭성 속성을 목표로 하여, 딥 신경망을 활용하여 SymNet을 구현하고, 엔드투엔드(end-to-end) 방식으로 학습한다. 또한, 속성 패턴 자체가 아닌 속성 변화를 이용하여 속성을 분류하는 데 초점을 맞춘 상대 이동 거리(Relative Moving Distance, RMD) 기반의 인식 방법을 제안한다. 제안한 대칭성 학습은 조합적 제로샷 학습(Compositional Zero-Shot Learning) 과제에 활용 가능하며, 널리 사용되는 벤치마크에서 최신 기술을 능가하는 성능을 보였다. 코드는 https://github.com/DirtyHarryLYL/SymNet 에서 공개되어 있다.