多模态联邦学习

多模态联邦学习（MFL）在保护数据隐私的同时，面临客户端模态缺失的普遍挑战。

RASO（角色感知服务器优化）是一种针对缺失模态场景的多模态联邦学习方法，通过协调贡献者选择与角色特定的服务器更新来提升模型性能。

在缺失模态的多模态联邦学习中，服务器端面临两个关键问题：哪些客户端应该为每个组件贡献更新，以及这些更新该如何跨轮次聚合。

预测块的更新来自所有客户端，应当被保留并联合学习。