人間の対面コミュニケーションは複雑な多モーダル信号である。私たちは言葉（言語モーダル）、ジェスチャー（視覚モーダル）、そして音調の変化（音響モーダル）を使用して自分の意図を伝える。人間は対面コミュニケーションを容易に処理し理解することができるが、この形式のコミュニケーションを理解することは人工知能（AI）にとって依然として大きな課題である。本論文では、人間のコミュニケーションを理解するための新しいニューラルアーキテクチャであるマルチアテンションリカレントネットワーク（Multi-attention Recurrent Network: MARN）を提案する。当モデルの主な強みは、時間軸上で各モーダル間の相互作用を見つけるために使用されるニューラルコンポーネントであるマルチアテンションブロック（Multi-attention Block: MAB）と、その相互作用を長短期ハイブリッドメモリー（Long-short Term Hybrid Memory: LSTHM）という再帰的コンポーネントのハイブリッドメモリーに保存することにある。我々は6つの公開データセットにおいて多モーダル感情分析、話者特性認識、感情認識について広範な比較を行った。MARNはすべてのデータセットで最先端の性能を示した。