本研究提出MMiC框架，旨在解决多模态联邦学习中的模态缺失问题。通过替换客户端模型参数和优化客户端选择，MMiC显著提升了缺失模态数据集的性能。

该研究探讨了多模态学习中添加和缺失模态对模型性能和公平性的影响。结果表明，添加新模态通常能提升模型性能，但可能影响公平性；而缺失模态则会导致性能和公平性双双下降，突显了实际应用中的鲁棒性问题。

本研究提出了一种层次表示学习框架（HRLF），旨在解决多模态情感分析中的模态缺失问题。该框架通过细粒度表示因子分解和层次互信息最大化机制，有效提取和重构情感信息，显著提高了模态缺失情况下的情感分析性能。

本文提出了一种多模态学习框架，旨在解决模态缺失和训练资源不足的问题。通过可学习的提示和偏差调优方法，显著提升了模型在缺失模态情况下的性能。同时，研究回顾了深度学习在多模态学习中的应用，分析了当前面临的挑战及未来的发展方向。

本文提出了一种优化多模态数据和标签的生成-判别模型，能够有效学习多模态表示并提升性能。研究表明，多模态学习相比单一模态具有更好的泛化能力，并提出了应对模态缺失的新框架，利用少量可学习参数提高模型鲁棒性。实验结果验证了这些方法在多模态任务中的有效性。

本文提出了一种多模态学习框架，通过引导网络和提示学习解决模态缺失问题。该框架在训练阶段促进知识共享，显著提高了模型在缺失模态情况下的性能，且计算成本保持不变。实验结果表明，该方法在多个基准数据集上优于传统模型，展示了其鲁棒性和有效性。

本研究提出了一种新颖的多模态体系结构，结合文本和声学模态进行语调检测，效果优于以往系统。同时，探讨了模态缺失对音视频识别的影响，并提出了减少对音频依赖的新框架。实验验证了方法的有效性和在缺失模态情况下的鲁棒性。

本文提出了一种新颖的知识传递网络，通过跨模态注意机制重构缺失音频模式，从而提升情感预测性能。实验结果表明，该方法在多个数据集上显著优于基线方法，并在多模态知识蒸馏框架中有效解决了模态缺失问题。

本文提出了一种多模态学习框架TRML，通过生成虚拟模态替代缺失模态，并对其语义空间进行对齐，以提升情感分析性能。实验证明，该方法在多个数据集上表现优越，有效解决模态缺失问题。