热点事件持续更新
研究者提出RASO优化缺失模态多模态联邦学习
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
针对模态缺失的多模态联邦学习场景，研究人员提出了一种名为角色感知服务端优化（RASO）的新方法。该方法旨在通过协调贡献者选择与角色特定的服务端更新来提升聚合效果。在具体实现上，RASO依据预测依赖性与本地优化参与度筛选贡献客户端，在保留编码器动量的同时，将共享预测模块同步至当前聚合。跨数据集与多种融合架构的实验已验证了RASO在模态缺失场景下的有效性。
AI 根据报道生成 · 3 小时前更新
最新进展11月2日 13:00
研究人员提出服务端优化方法RASO，实验验证其可有效应对多模态联邦学习中的模态缺失问题。报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv 机器学习针对模态缺失多模态联邦学习的角色感知服务端优化 RASO
针对模态缺失的多模态联邦学习，研究人员提出角色感知服务端优化方法 RASO，通过协调贡献者选择与角色特定的服务端更新来优化聚合效果。该方法依据预测依赖性与本地优化参与度筛选贡献客户端，在保留编码器动量的同时将共享预测模块同步至当前聚合。跨数据集与融合架构的实验验证了 RASO 在模态缺失场景下的有效性。
本事件热度走势
当前热度 9·可比范围峰值 10（11月2日 14:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。