본 논문은 멀티모달 대조 학습(MCL)에서 나타나는 '모달리티 갭' 현상의 근본 원인과 다운스트림 태스크에 미치는 영향을 분석하기 위한 이론적 프레임워크를 제시한다. 특히, MCL의 수렴 최적 표현과 훈련 최적화 시 모달리티 정렬을 분석한다. 연구 결과, 제약 조건이 없을 때나 원뿔 제약 조건 하에서는 모달리티 갭이 0으로 수렴하며, 부분 공간 제약 조건 하에서는 차원 붕괴로 인해 모달리티 갭이 두 초평면 사이의 최소 각도로 수렴함을 증명한다. 또한, 부분 공간 제약 조건 하에서는 샘플 쌍의 완벽한 정렬이 불가능함을 보이고, 초평면 회전 및 공유 공간 투영을 통해 완벽한 정렬을 달성할 수 있음을 제시한다.
