感情認識は、人間の会話理解において重要なタスクである。マルチモーダルデータ、例えば言語、音声、顔の表情といった要素が加わることで、その課題はさらに複雑さを増す。一般的なアプローチとして、対話内の各文（発話）に対して感情ラベルを予測する際、グローバルな文脈情報とローカルな文脈情報を活用する手法が用いられる。具体的には、会話レベルでのマルチモーダル相互作用をモデル化することでグローバル表現を捉え、発話者の時間的変化や感情の変動からローカルな情報を推定する。しかし、後者のアプローチは発話レベルにおける重要な要因を無視する傾向がある。さらに、既存の多くは複数モーダルの特徴を統合された入力として扱い、モーダル固有の表現を有効に活用していない。こうした課題に着目し、本研究では、会話理解を目的として、会話レベルのマルチモーダル相互作用と発話レベルの時間的依存性を、モーダル固有のアプローチで効果的に捉えることができる新たなニューラルネットワークフレームワーク「Relational Temporal Graph Neural Network with Auxiliary Cross-Modality Interaction（CORECT）」を提案する。広範な実験により、IEMOCAPおよびCMU-MOSEIデータセットにおけるマルチモーダル感情認識（ERC）タスクにおいて、CORECTが最先端の性能を達成することが確認された。