본 논문은 자기 지도 학습(SSL)에서 재구성 및 결합 임베딩이라는 두 가지 주요 패러다임을 비교 분석한다. 재구성 방법은 입력 공간에서 원본 샘플을 복구하는 데 중점을 두고, 결합 임베딩 방법은 잠재 공간에서 서로 다른 뷰의 표현을 정렬한다. 본 연구는 두 패러다임의 핵심 메커니즘을 밝히고, 뷰 생성 프로세스가 학습된 표현에 미치는 영향을 정확하게 특징화한다. 또한, 무관한 특성과 증강 간의 최소 정렬 조건이 SSL의 두 패러다임 모두에 필요함을 보여준다. 무관한 특성의 크기가 큰 경우, 결합 임베딩 방법이 재구성 기반 방법보다 약한 정렬 조건을 요구하므로 더 적합하다는 것을 밝힌다.
