研究人员提出了FedDAT，一种用于异构多模态联邦学习的调优框架。该方法利用Dual-Adapter Teacher（DAT）处理数据异质性，并通过知识蒸馏实现高效的知识传递。实验证明，FedDAT在多个多模态联邦学习基准上优于现有方法。

本文介绍了FedDAT框架，用于异构多模态联邦学习的调优。该框架利用Dual-Adapter Teacher处理数据异质性，通过MKD实现高效的知识传递。实验结果表明，FedDAT优于现有的集中PEFT方法。