La transferencia de evidencia para el agrupamiento es un método de aprendizaje profundo que manipula las representaciones latentes de un autoencoder de acuerdo con evidencia categórica externa, con el efecto de mejorar el resultado del agrupamiento. La aplicación de la transferencia de evidencia en el agrupamiento está diseñada para ser robusta cuando se introduce con una calidad baja de evidencia, mientras aumenta la efectividad de la precisión del agrupamiento durante la evidencia correspondiente relevante. Interpretamos los efectos de la transferencia de evidencia en la representación latente de un autoencoder comparando nuestro método con el método del cuello de botella informativo. El cuello de botella informativo es un problema de optimización que busca el mejor equilibrio entre maximizar la información mutua de las representaciones de datos y el resultado de una tarea, mientras que al mismo tiempo es efectivo en la compresión de la fuente de datos original. Sostenemos que el método de transferencia de evidencia tiene esencialmente el mismo objetivo respecto a las representaciones latentes producidas por un autoencoder. Verificamos nuestra hipótesis utilizando métricas teóricas de la información de la selección de características para realizar un análisis empírico sobre la información que se transporta a través del cuello de botella del espacio latente. Utilizamos la métrica de relevancia para comparar la información mutua general entre las representaciones latentes y las etiquetas de verdad fundamental antes y después de su manipulación incremental, así como para estudiar los efectos de la transferencia de evidencia respecto a la significancia de cada característica latente.