BLOSSOM：基于共享和稀疏观察模态的块级联邦学习
机器学习
2026-04-15 v2 分布式、并行与集群计算
摘要
多模态联邦学习（FL）是面向真实世界应用（如自动驾驶和医疗）的关键技术，数据分布在具有不同且常缺失模态的异构客户端之间。然而，大多数现有FL方法假设模态均匀可用，限制了其实际应用。我们引入BLOSSOM，一个面向共享和稀疏观察模态条件的任务无关框架，用于多模态FL。BLOSSOM支持任意模态子集的客户端，并实现灵活的模型组件共享。为解决客户端和任务异构性，我们提出块级聚合策略，选择性地聚合共享组件，同时保持任务特定模块私有，从而实现部分个性化。我们在多个多样化多模态数据集上评估BLOSSOM，并分析缺失模态和个性化的影响。结果表明，块级个性化显著提升了性能，尤其在严重模态稀疏的情境下。在模态不完整场景下，BLOSSOM相较于全模型聚合实现了18.7%的平均性能提升；在模态排他场景下，提升幅度提升至37.7%，凸显了块级学习在实际多模态FL系统中的重要性。
引用
@article{arxiv.2603.27552,
title = {BLOSSOM: Block-wise Federated Learning Over Shared and Sparse Observed Modalities},
author = {Pranav M R and Jayant Chandwani and Ahmed M. Abdelmoniem and Arnab K. Paul},
journal= {arXiv preprint arXiv:2603.27552},
year = {2026}
}
备注
Accepted to IJCNN 2026 (6 pages, 2 figures, 3 tables)