본 논문은 CMU-MOSEI 데이터셋을 사용하여 텍스트, 오디오, 비디오 모달리티를 조기에 융합하는 트랜스포머 기반 모델을 이용한 다중 모달 감정 분석을 수행합니다. 각 모달리티에 BERT 기반 인코더를 사용하여 임베딩을 추출하고, 이를 연결하여 분류합니다. 7-class 정확도 97.87%, F1-score 0.9682를 달성하여 조기 융합의 효과를 보였으며, MAE는 0.1060으로 정확한 감정 강도 예측을 보여줍니다. Adam optimizer(lr=1e-4), dropout(0.3), early stopping을 사용하여 일반화 및 강건성을 확보했습니다.