최근, 딥러닝을 활용한 멀티모달 감성 분석(Multimodal Sentiment Analysis, MSA) 태스크는 여러 도메인에서 뛰어난 성능을 보여주고 있다. 이러한 성공의 이유는 감성을 분석하기 위해 여러 모달리티의 정보를 효과적으로 활용한 것에 있다. 이러한 진보에도 불고하고, 아직까지 MSA는 두 가지 중요한 챌린지를 직면하고 있다. 첫 번째로는, 각 모달리티 데이터는 종종 불필요한 데이터를 과도하게 포함하고 있어 중요한 정보를 가릴 수 있다. 두 번째로는, 감성 분석을 위한 중요한 단서가 모달리티에 따라 충돌되는 경우가 발생할 수 있으며 분석 프로세스를 복잡하게 만들 수 있다. 이러한 문제들은 MSA 태스크에서 모델의 효율성에 어느 정도의 영향을 미친다. 이러한 문제를 해결하기 위해, 본 연구에서는 InfoEhn라는 이름의 MSA에 맞는 방법론을 제시한다. 이 방법론은 마스킹 기법을 information filtering을 위한 bottleneck으로 활용하고, 동시에 중요한 정보를 보존하기 위해 상호보안적인 정보를 극대화한다. 더 나아가서, domain adaption을 통해 모든 모달리티 데이터를 common feature space로 통합하고, 이는 optimal transport의 적용으로 인해 향상된다. 실험 결과를 통해 제안하는 방법론의 효과성을 입증하고 더 많은 분석을 통해 다른 비교 모델에 비해 상당히 우수한 성능을 보임을 확인한다.