2021
(看来是两两交互式的，v和l就像coatten一样交互出对应的两个输出，再对应的和原本的拼接，再统一拼起来。但是这样一方面v和a没有交互啊？另一方面l会有俩？)
首先，我们初始化一个跨模态权矩阵 G M ∈ R d h l × d h m G^M∈R^{d^l_h×d^m_h} GM∈Rdhl×dhm来计算组合向量 a t M a^M_t atM，其中 d l h dlh dlh是语言模态隐藏状态的维数， d h m d^m_h dhm是视觉或声学模态隐藏状态的维数。计算结果见等式（5）。
以语言与视觉模态的交叉模态交互为例， a t L → V a^{L→V}_t atL→V越高，说明语言模态特征捕获的情感信息与视觉模态特征的相关性越高。同样， a t V → L a^{V→L}_t atV→L越高，说明视觉模态特征捕获的情感信息与语言模态特征的相关性越高。然后通过方程（7）得到最终的隐藏态输出ˆhMt。
(感觉对多头注意力公式的理解加深了？softmax就相当于把映射的向量再归一化成加权系数，而一开始的a也是内积出来的，只不过中间加了俩学习参数)
