인과적 표현 학습 (Causal representation learning, CRL)과 전통적 표현 학습 (traditional representation learning)은 대체로 서로 다른 궤적을 따라 발전해 왔습니다. 전통적 표현 학습은 주로 응용 분야와 경험적 목적 (empirical objectives)에 의해 추진되어 온 반면, CRL은 이론적 질문, 특히 식별 가능성 (identifiability)에 더 집중해 왔습니다. 이러한 강조점의 차이는 용어, 문제 정식화 (problem formulation), 그리고 평가 측면에서 두 분야 사이에 격차를 만들어냈으며, 이는 소통을 제한하고 때로는 단절되거나 중복된 노력을 초래하기도 했습니다. 본 논문에서 우리는 이 두 분야가 별개의 패러다임으로 취급되기보다 대화의 장으로 끌어들여져야 한다고 주장합니다. 이를 위해 우리는 표현 학습이 두 가지 구성 요소로 특징지어지는 통합된 정식화 (unified formulation)를 도입합니다. 즉, 학습된 표현이 어떤 정보를 보존해야 하는지를 지정하는 작업 구성 요소 (task component)와 잠재 공간 (latent space)에 어떤 구조가 부과되는지를 지정하는 제약 구성 요소 (constraint component)입니다. 이 정식화 하에서 이점은 양방향으로 작용합니다. CRL은 구조화된 잠재 제약 (structured latent constraints)이 언제 유용하거나 필요한지를 이해하기 위한 이론적 도구를 제공하며, 반대로 전통적 표현 학습은 CRL 방법론의 발전을 개선할 수 있는 작업 설계 (task design) 및 목적 함수 (objective) 선택에 관한 실질적인 통찰을 제공합니다. 이러한 상호작용을 설명하기 위해, 우리는 서로 다른 구조적 제약 하에서 다양한 작업 구성 요소가 CRL 방법론의 동작에 어떻게 영향을 미치는지 실험적으로 연구합니다. CausalVerse에서의 결과는 인과적 제약 (causal constraints)의 효과가 그것과 결합되는 작업에 따라 크게 달라짐을 보여줍니다.