热点事件持续更新
研究者提出模态缺失联邦学习优化方法RASO
1 篇报道1 个报道来源17 小时前更新
先了解这件事
AI 综述
2026年11月2日，针对模态缺失场景下的多模态联邦学习（MFL），研究人员在arXiv发布成果，提出角色感知服务端优化方法（RASO）。该方法旨在协调贡献客户端选择与特定角色的服务端更新，具体依据预测依赖性及本地优化参与情况筛选贡献客户端，保留编码器动量，并将共享预测模块同步至当前聚合。跨数据集和融合架构的实验结果验证了RASO在模态缺失场景下的有效性。
AI 根据报道生成 · 16 小时前更新
最新进展11月2日 13:00
研究人员提出优化方法RASO，并在多数据集与架构上验证了其应对多模态联邦学习中模态缺失的有效性。报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv cs.LG面向模态缺失多模态联邦学习的角色感知服务端优化 RASO
针对模态缺失下的多模态联邦学习（MFL），研究人员提出角色感知服务端优化（RASO），协调贡献客户端选择与特定角色的服务端更新。该方法依据预测依赖性及本地优化参与情况筛选贡献客户端，保留编码器动量，并将共享预测模块同步至当前聚合。跨数据集和融合架构的实验验证了 RASO 在模态缺失场景下的有效性。
本事件热度走势
当前热度 6·可比范围峰值 10（11月2日 14:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。