본 논문은 다중 모드 감정 분석(MSA)에서 해석 불가능성과 모드 불균형 문제를 해결하기 위해 KAN-MCP 프레임워크를 제안한다. KAN(Kolmogorov-Arnold Networks)의 해석 가능성과 MCPareto(Multimodal Clean Pareto) 프레임워크의 강건성을 통합하여, 단변량 함수 분해를 통해 교차 모드 상호작용을 투명하게 분석하고, DRD-MIB(Dimensionality Reduction and Denoising Modal Information Bottleneck) 기법을 사용하여 모드 불균형과 노이즈 간섭을 해결한다. DRD-MIB는 특징 차원을 감소시키고 잡음을 제거하여 KAN에 차별적인 저차원 입력을 제공함으로써 모델링 복잡도를 줄이고 감정 관련 정보는 보존한다. MCPareto는 DRD-MIB의 출력인 정제된 특징을 사용하여 모드 간 기울기 기여도를 동적으로 조절하여 모드 불균형을 완화한다. 결과적으로 CMU-MOSI, CMU-MOSEI, CH-SIMS v2 등의 벤치마크 데이터셋에서 우수한 성능을 달성하고, KAN의 해석 가능한 구조를 통해 직관적인 시각화 인터페이스를 제공한다.
