動画認識モデルの学習において、学習済みの画像・音声分類モデルから得られる特徴ベクトルを用いて、対照学習を行う蒸留手法を提案。このとき、画像や音声の特徴ベクトルと動画の特徴ベクトルを合成した新たな特徴ベクトルを加えることで、それぞれのモダリティから異なる特徴が得られるよう設計している。