Кожна модальність навчається окремо, а рішення приймається шляхом голосування або усереднення фінальних передбачень.

Ознаки з різних модальностей об'єднуються (наприклад, конкатенуються) на початковому етапі, до передачі в модель класифікації чи регресії.

Це підхід, при якому одна модальність повністю ігнорується, якщо її вага нижча за певне порогове значення.

Злиття відбувається виключно на рівні вихідних шарів архітектури Transformer за допомогою крос-уваги.