FedCMM

新研究解决多模态大语言模型的联邦持续学习问题 · 跟踪到2个来源

两篇新研究论文解决了多模态大语言模型（MLLMs）联邦持续学习中的挑战。第一篇论文介绍了FedCMM，一个通过实现模态感知弹性权重巩固、用于重放的合成数据生成以及任务相似性感知梯度聚合来对抗MLLMs灾难性遗忘的框架。第二篇论文提出了HERO，一个通过分离任务分割、客户端数据分割和客户端任务顺序来标准化联邦持续学习评估的基准库，旨在提高不同FCL方法之间的可比性和可复现性。