本研究提出了一种新方法——数据感知单模采样，以解决多模态学习中的模态失衡问题。实验结果表明，该方法的性能优于多种基线。

本文介绍了一种新的多模态融合联邦学习方法（FedMFS），通过Shapley值量化模态贡献，减少通信开销并保持准确性。同时提出了跨模态渗透联邦学习框架（FedCMI），解决模态失衡和知识异质性问题。研究表明，这些方法在多模态任务中有效提升性能，同时保护用户隐私。

多模态联邦学习研究提出多种方法：FedMFS利用Shapley值量化模态贡献，平衡性能与通信；CMSFed解决模态失衡；FedMultimodal提供鲁棒性评估基准；CreamFL支持异构模型与数据模态；MFCPL应对严重缺失模态；FedCMI缓解模态失衡与知识异质；FedMEKT结合半监督与知识迁移，降低通信成本。