基于跨模态原型的严重缺失模态下的多模态联邦学习

Jan, 2024

基于跨模态原型的严重缺失模态下的多模态联邦学习

Cross-Modal Prototype based Multimodal Federated Learning under Severely Missing Modality

Huy Q. Le, Chu Myaet Thwal, Yu Qiao, Ye Lin Tun, Minh N. H. Nguyen...

TL;DR本文提出了一种名为 “Multimodal Federated Cross Prototype Learning (MFCPL)” 的新方法，针对数据中存在严重缺失模态的多模态联邦学习（MFL）问题，通过使用完整的原型样本在共享模态级别和特定模态级别上运用交叉模态正则化和交叉模态对比机制，为提供多样化的模态知识，引入交叉模态对齐来增强特定模态特征的整体性能，尤其在存在严重缺失模态的场景中表现出优异的效果。通过对三个多模态数据集的广泛实验，我们证明了 MFCPL 在减轻这些挑战和提高整体性能方面的有效性。

Abstract

multimodal federated learning (MFL) has emerged as a decentralized machine learning paradigm, allowing multiple clients with different modalities to collaborate on training a machine learning model across diverse data sources without sharing their private data. However, challenges, suc

multimodal federated learning data heterogeneity missing modalities cross-modal regularization modality-specific features

发现论文，激发创造

利用基础模型进行多模态不完整模态联邦学习

本文提出了一种新颖的多模态联邦学习方法 FedMVP，通过集成大规模预训练模型来增强联邦训练，解决了多模态数据集中可能丢失模态的问题，在客户端和服务器端分别采用不同的方法进行模态补全和模型聚合，并在实际图像 - 文本分类数据集上证明了该方法的卓越性能和对缺失模态的鲁棒性。

Jun, 2024

跨模态渗透的平衡多模态联邦学习

通过知识从全局优势形式中转移，我们提出了一种新颖的跨模态渗透联邦学习（FedCMI）框架，有效缓解分布式条件下的模态失衡和知识异质性问题，并且在弱模态中促进局部特征开发，实现了公平的类别性能表现。

Dec, 2023

3FM: 多模式元学习用于联邦任务

我们提出了一种面向联邦学习领域的新方法，特别关注应对模态异质性、客户端间模态可用性的差异和缺失数据的问题。我们介绍了一个专为多模态联邦任务设计的元学习框架，并通过对增强的 MNIST 数据集进行广泛的实验验证了我们提出的框架的有效性。我们的算法在一些缺失模态场景中通过元学习率的精细调整，实现了比基线更好的性能。

Dec, 2023

多模式机器学习中通过原型掩码和对比度处理缺失模态

通过引入原型库到基于 FedAvg 的联邦学习框架，提出了一种解决模态缺失问题的方法，利用原型作为缺失模态的掩码来构建任务校准的训练损失和模型不可知的单模态推断策略，实验证明该方法在推断准确性方面达到了最先进水平。

Dec, 2023

朝着联邦学习中的多模态 Transformer

在视觉语言领域中，通过利用转换器架构对现有方法进行系统评估，并引入一种名为 FedCola 的新框架，填补了关于不配对的单模客户端和 FL 中转换器架构的研究空白。通过在各种 FL 设置下进行广泛实验，FedCola 展示了优于先前方法的性能，为未来多模态转换器的联邦训练提供了新的观点。

Apr, 2024

客户端智能模态选择用于平衡多模态联邦学习

为了解决传统在多模态联邦学习中出现的模态失衡问题，提出了一种基于客户端的模态选择方案 CMSFed，该方案可以全面利用每个模态的信息，避免由模态不平衡引起的客户端选择偏差，通过选择性地使用不同模态的本地数据参与本地训练和聚合，来减轻全局模型的潜在模态失衡，并引入了一种新的局部训练损失函数来增强弱模态并调整由不一致的模态采用策略引起的特征空间差异，同时设计了一种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。大量实验证明了 CMSFed 的优越性和其在多模态数据利用中的有效性。

Dec, 2023

高效沟通的多模态联邦学习：联合选择模态与客户端

本文提出了一种新的多模型联邦学习方法（mmFedMC），它能够处理多模态设置中的挑战，实验结果表明该方法能够在减少通信开销的同时实现可比较的准确性。

Jan, 2024

对比表示集成下的多模态联邦学习

CreamFL 是一个支持多模态联邦学习的框架，实现了对客户侧使用异构模型结构和数据模态，从而提高了全局模型的复杂度和数据容量，同时使用公共数据集进行知识交流，并设计了全局本地交叉模态集成策略来聚合客户端表示。同时，它还提出两种模态间和模态内对比的策略来规范本地训练以达到全局的共识性。在图像 - 文本检索和视觉问答任务上的测试结果表明，它比目前流行的联邦学习方法要更好。

Feb, 2023

在医学视觉与基于语言的疾病检测中研究多模态联邦学习中的模态不一致性

多模态联邦学习 (MMFL) 利用每个客户端的多个模态构建比单模态对应物更强大的联邦学习 (FL) 模型。然而，不同客户端的模态不一致性对其影响一直被大大忽视。本文首次分析模态不一致性的影响，并揭示其与参与客户端的数据异质性的联系。我们特别研究了不一致的多模态客户端和单模态 FL 的可行性，并研究了解决此问题的三种潜在途径。首先，我们研究了各种自注意机制对 MMFL 中的不一致性不可知信息融合的有效性。其次，我们引入了在多模态客户端中预先训练的模态补全网络 (MIN)，研究其在单模态客户端中模态转换中减轻缺失模态问题的潜力。第三，我们评估了客户端级和服务器级正则化技术对减轻模态不一致性效果的能力。实验证明在两个公开的真实世界数据集 MIMIC-CXR 和 Open-I 上，我们在几种 MMFL 设置下进行了实验，其中包括胸部 X 射线和放射学报告。

Feb, 2024

FedMultimodal: 多模联邦学习基准测试

引入 FedMultimodal，它是第一个 FL 基准，用于多模态学习，覆盖了来自十个常用数据集的五个代表性多模态应用程序，总共有八种独特方式。与现有的 FL 基准不同，FedMultimodal 提供了一种标准化方法来评估 FL 对实际多模态应用程序中的三种常见数据污染的鲁棒性：缺失模态，缺失标签和错误标签。

Jun, 2023