BriefGPT - AI 论文速递
·
优先选择模态：联邦多模态学习中的灵活重要性调度
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该文章介绍了CMSFed，一种解决多模态联邦学习中模态失衡问题的客户端模态选择方案。通过选择性地使用不同模态的本地数据参与训练和聚合，减轻全局模型的模态失衡，并引入新的局部训练损失函数来增强弱模态并调整特征空间差异。该方案还设计了模态级梯度解耦方法来维持选择过程中的梯度差异，并根据每次迭代中的本地模态失衡平衡多模态联邦学习。实验证明了CMSFed在多模态数据利用中的有效性。
🎯
关键要点
- 提出了一种基于客户端的模态选择方案CMSFed，解决多模态联邦学习中的模态失衡问题。
- CMSFed通过选择性使用不同模态的本地数据参与训练和聚合，减轻全局模型的模态失衡。
- 引入新的局部训练损失函数，增强弱模态并调整特征空间差异。
- 设计模态级梯度解耦方法，维持选择过程中的梯度差异。
- 根据每次迭代中的本地模态失衡，平衡多模态联邦学习。
- 大量实验证明CMSFed在多模态数据利用中的有效性和优越性。
➡️
