PulseAugur
中
实时 16:11:29
English(EN) Conditional Imputation for Within-Modality Missingness in Multi-Modal Federated Learning

新框架使用条件扩散模型进行多模态联邦学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为 CondI 的新框架，用于解决多模态联邦学习中的缺失数据问题，尤其是在临床环境中。该方法使用条件扩散模型显式填充模态内未观察到的数据点，并利用可用的多模态上下文。该框架训练特定于模态的提取器和联合嵌入空间，使模型能够操作完整的语义结构，并提高对数据不完整的鲁棒性。在临床数据集上的实验表明，CondI 取得了与现有最先进方法相当的结果。 AI

影响 提高了临床环境中具有缺失数据的多模态模型的鲁棒性，可能促使联邦学习在敏感数据上的更广泛应用。

排序理由 这是一篇发表在 arXiv 上的研究论文，详细介绍了一种用于多模态联邦学习的新框架。

在 arXiv cs.LG 阅读 →

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

新框架使用条件扩散模型进行多模态联邦学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Wugeng Zheng, Ziwen Kan, Katie Wang, Chen Chen, Song Wang ·

    Conditional Imputation for Within-Modality Missingness in Multi-Modal Federated Learning

    arXiv:2604.23112v1 Announce Type: new Abstract: Multimodal Federated Learning (MMFL) enables privacy-preserving collaborative training, but real-world clinical applications often suffer from within-modality missingness caused by sensor intermittency or irregular sampling. Existin…

相关实体

相关话题