PulseAugur
中
实时 09:00:15
English(EN) FDRMFL: Multimodal Federated Feature Extraction Model Based on Information Maximization and Contrastive Learning

新的FDRMFL框架增强了在非独立同分布数据上的多模态联邦回归

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的框架FDRMFL，专为联邦回归任务中的多模态特征提取而设计，特别解决了非独立同分布（non-IID）数据带来的挑战。该框架采用了一个包含四个项的局部目标函数：MSE预测损失、互信息代理、用于跨模态分布对齐的对称KL惩罚项，以及用于将局部表示锚定到全局共识的对比损失。在合成和真实世界数据集上的实验表明，FDRMFL的有效性，与PCA和VAE等传统方法相比，平均MSE显著降低，并且优于FedAvg和FedProx等其他联邦算法。 AI

影响 引入了一种新颖的多模态联邦学习框架，有望在分布式环境中提高数据隐私和模型性能。

排序理由 该集群包含一篇详细介绍新模型/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 →

新的FDRMFL框架增强了在非独立同分布数据上的多模态联邦回归

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Haozhe Wu ·

    FDRMFL: Multimodal Federated Feature Extraction Model Based on Information Maximization and Contrastive Learning

    arXiv:2512.02076v2 Announce Type: replace-cross Abstract: We propose FDRMFL, a task-driven multimodal feature extraction framework for federated regression under non-IID data distributions. Extracting predictive features from high-dimensional multimodal inputs is particularly cha…

相关实体

相关话题