El reconocimiento automático de modulación multimodal (MAMR) ha surgido como un área de investigación prominente. La fusión efectiva de características de diferentes modalidades es crucial para las tareas de MAMR. Un mecanismo de fusión multimodal efectivo debería maximizar la extracción e integración de información complementaria. Recientemente, los métodos de fusión basados en atención cruzada han mostrado un alto rendimiento. Sin embargo, pasan por alto las diferencias en la intensidad de la información entre diferentes modalidades, sufriendo de complejidad cuadrática.