교차 모달 정렬 (Cross-modal alignment, CA) 및 교차 모달 예측 (Cross-modal prediction, CP)은 멀티모달 표현 학습 (Multimodal representation learning)의 지배적인 패러다임이지만, 각각이 언제 성공하고 언제 실패하는지, 그리고 교차 모달 학습이 언제 도움이 되는지에 대한 체계적인 이해는 부족합니다. 이러한 공백으로 인해, 특히 생물 의학(Biomedicine)이나 천체 물리학(Astrophysics)과 같이 이질적인 도구와 다층적인 조직 및 측정 수준을 가진 과학 분야의 실무자들은 표준적인 방법들이 왜 최상의 단일 모달리티 (Single modality)보다 성능이 낮은지 진단할 수 없습니다. 우리는 이 두 가지 질문을 모두 해결하는 통합 선형 프레임워크 (Unified linear framework)를 개발합니다. 구조화된 교차 모달 방해 상관관계 (Cross-modal nuisance correlation)를 가진 스파이크 신호-플러스-노이즈 (Spiked signal-plus-noise) 모델 하에서, 우리는 상호 보완적인 실패 모드 (Failure modes)를 드러내는 두 목적 함수에 대한 분리 비율 (Separation ratios)을 도출합니다. 정렬 (Alignment)은 각 모달리티를 백색화 (Whitening)하며, 방해 요소 (Nuisance)가 뷰 (Views) 간에 강하게 상관되어 있을 때 실패합니다. 예측 (Prediction)은 단방향 백색화를 통해 교차 예측이 가능한 모든 것을 인코딩하며, 복구 (Recovery)는 소스 모달리티 (Source-modality)의 품질에 의해 결정됩니다. 결과적으로 도출된 상도표 (Phase diagram)는 멀티모달 문제를 네 가지 영역으로 구분합니다: 모두 (Both), CA 전용 (CA only), CP 전용 (CP only), 그리고 둘 다 아님 (Neither). 우리는 작은 라벨링된 하위 샘플 (Labeled subsample)을 사용하여 실제 데이터셋을 이 도표 상의 위치로 찾아내는 데이터 기반 절차를 제시하며, 이를 통해 교차 모달 학습을 시작하기 전에 선호되는 목적 함수와 예측 방향을 식별합니다. 합성 데이터 (Synthetic data), 스테레오 비전 (Stereo-vision) 벤치마크, 이미지-캡션 쌍 (Image-caption pairs), 그리고 실제 천체 물리학 데이터를 이용한 실험을 통해 비선형 영역 (Nonlinear regime)에서의 예측을 검증하였으며, 여기에는 교차 모달 학습이 오히려 해로운 '둘 다 아님 (Neither)' 영역이 포함됩니다. 우리의 프레임워크를 통해 실무자들은 학습에 착수하기 전 자신의 멀티모달 문제를 진단하고 적절한 목적 함수를 선택할 수 있습니다. 결과를 재현하기 위한 코드는 https://github.com/IlayMalinyak/mm_align_vs_pred 에서 확인할 수 있습니다.