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。

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。