中間層におけるFusion手法には、ネットワーク構成を変える必要があり、事前学習モデルが使えない、各モダリティの特徴量の次元数が異なるとfusionできないという課題が存在。 MMTMは各モダリティの中間特徴量をチャネル毎に圧縮し結合するため、次元数の制約を受けない。またSEモジュールのように、元のCNNの着目すべきチャネルを特徴マップで指定する手法のため、ネットワーク構成を大きく変えなくてよい。

MMTMモジュールを既存手法に組み込むことで、dynamic hand gesture recognition, speech enhancement, action recognitionタスクにおいて、SOTA、もしくはそれに匹敵する性能が得られることを示した。