従来のマルチモーダル整列手法は、全てのモダリティ間の相互冗長性を前提としていますが、この仮定は実際の分散シナリオでは成立しません。本稿では、SheafAlignという自己構成理論に基づく分散型マルチモーダル整列のフレームワークを提案します。このアプローチは、単一の空間での整列を複数の比較空間に置き換え、モダリティ間の関係をシーフ構造を通じてモデル化し、分散型の対比学習を用いた目的のもとでトレーニングを行います。SheafAlignは、全てのモダリティ間の相互冗長性を必要とせず、共有情報とユニーク情報の両方を保持することで、従来の手法の限界を克服します。実験により、ゼロショット汎化、クロスモーダル整列、欠損モダリティへの頑健性において優れた性能を示し、最新のベースラインと比べ50％低い通信コストを達成しました。