본 논문은 텍스트, 음성, 시각 신호를 통합하여 인간의 감정을 이해하는 다중 모드 감성 분석(Multimodal Sentiment Analysis, MSA) 분야에서, 모드 간 경쟁을 완화하고 협업을 강화하는 PaSE(Prototype-aligned Calibration and Shapley-optimized Equilibrium) 프레임워크를 제안한다. PaSE는 Prototype-guided Calibration Learning (PCL)을 통해 단일 모드 표현을 개선하고, Entropic Optimal Transport를 사용하여 의미적 일관성을 확보한다. 또한, Dual-Phase Optimization 전략과 Shapley-based Gradient Modulation (SGM)을 통해 각 모드의 기여도에 따라 기울기를 조정하여 최적화를 안정화시킨다. IEMOCAP, MOSI, MOSEI 데이터셋에 대한 실험을 통해 PaSE의 우수한 성능과 모드 간 경쟁 완화 효과를 입증한다.
