English(EN) ProMoE-FL: Prototype-conditioned Mixture of Experts for Multimodal Federated Learning with Missing Modalities

新的ProMoE-FL框架解决了多模态联邦学习中缺失数据的问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-09 04:00

研究人员开发了ProMoE-FL，一个用于多模态联邦学习的新框架，该框架解决了缺失数据模态的挑战。该方法利用客户端感知的原型库来捕获不同机构的模态先验知识，通过混合专家模型动态合成缺失的特征。ProMoE-FL在四个公开的胸部X光数据集上展示了优于现有方法的性能，在同质和异质设置下均表现良好。 AI

影响这项研究通过使AI模型能够更有效地处理不完整数据，有望提高其在医疗保健领域的准确性和鲁棒性。

排序理由该集群包含一篇详细介绍多模态联邦学习新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Aavash Chhetri, Bibek Niroula, Eduard Vazquez, Yash Raj Shrestha, Prashnna Gyawali, Loris Bazzani, Binod Bhattarai · 2026-07-09 04:00

ProMoE-FL: Prototype-conditioned Mixture of Experts for Multimodal Federated Learning with Missing Modalities

arXiv:2607.06633v1 Announce Type: cross Abstract: In this paper, we address the problem of multimodal federated learning with missing modality. Existing methods utilize an additional public dataset or perform naive feature synthesis that is based solely on the available modality.…

报道来源 [1]

ProMoE-FL: Prototype-conditioned Mixture of Experts for Multimodal Federated Learning with Missing Modalities

相关实体

相关话题