연구진은 멀티모달 연합 그래프 학습(MM-FGL)에서 발생하는 클라이언트/노드 수준의 모달 불균형 문제를 해결하기 위해 새로운 프레임워크 'FedMGS'를 제안했어요.
FedMGS는 가용성 기반 그래프 인코더, 프로토타입 기반 잠재 의미 합성기, 신뢰도 보정 의미 융합 메커니즘을 통합하여 누락된 모달 의미를 복구하고 데이터의 의미 분포와 정렬을 극대화해요.
실험 결과, FedMGS는 4가지 작업에서 경쟁 모델 대비 최대 17.41% 성능 향상을 보이며 효율성과 성능 간의 균형을 유지했어요.