Durch die Ausnutzung von Selbstähnlichkeit und Strukturen in Signalen und Bildern können neuronale Netze effizient auch mit nur einem Eingabebeispiel trainiert werden, ohne auf große Trainingsdatensätze angewiesen zu sein.
Symmetrien im Vorwärtsmodell können zu erheblichen Lernschwierigkeiten führen, wenn datengetriebene Deep-Learning-Ansätze verwendet werden, um solche Probleme zu lösen. Durch Vorverarbeitung des Trainingsdatensatzes vor dem Lernen, d.h. durch Symmetriebrechung, kann die Leistung des End-to-End-Lernens deutlich verbessert werden.