A linha de Representação de Conhecimento tem como objetivo encontrar representações estáveis, compactas e interpretáveis para dados provenientes de sensores de entrada de diferentes domínios. Para isso, serão exploradas técnicas de redução de dimensionalidade não-linear do tipo manifold learning para melhorar o desempenho das técnicas de aprendizado e das arquiteturas cognitivas e tornar os resultados mais interpretáveis. A interpretabilidade visa evitar que o enviesamento de bancos de dados leve os sistemas cognitivos a tomarem decisões não-éticas ou, ainda, contraditórias à teoria científica. Os processos de aprendizado de manifolds serão avaliados tanto por seu impacto no desempenho das arquiteturas cognitivas quanto por análises qualitativas que evidenciem a interpretabilidade dos dados.