概念角色感知服务器优化
RASO
一种用于多模态联邦学习的服务器端优化方法，通过角色感知的贡献者选择和组件特定的动量策略，在客户端模态缺失场景下提升模型性能。
时间轴 (近 90 天)
11月2日
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。
待验证50%
11月2日
RASO将服务器端的聚合操作细化为两个角色：编码器角色和预测块角色，并分别制定更新策略。
待验证50%
11月2日
RASO的贡献者选择基于预测依赖性和本地优化中的参与度来选择贡献者。
待验证50%
11月2日
对于编码器角色，RASO保留服务器动量，以稳定编码器的适应过程，即使某些模态在部分客户端中缺失。
待验证50%
11月2日
对于共享预测块，RASO将其同步到当前聚合结果，而不使用动量，从而避免动量可能带来的负面效应。
待验证50%
11月2日
实验结果表明，通过协调贡献者选择与角色特定的服务器更新，RASO能够显著提升模型在缺失模态条件下的性能。
待验证50%
全部知识事实 (6)
待验证
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。
50%待验证RASO将服务器端的聚合操作细化为两个角色：编码器角色和预测块角色，并分别制定更新策略。
50%待验证RASO的贡献者选择基于预测依赖性和本地优化中的参与度来选择贡献者。
50%待验证对于编码器角色，RASO保留服务器动量，以稳定编码器的适应过程，即使某些模态在部分客户端中缺失。
50%待验证对于共享预测块，RASO将其同步到当前聚合结果，而不使用动量，从而避免动量可能带来的负面效应。
50%待验证实验结果表明，通过协调贡献者选择与角色特定的服务器更新，RASO能够显著提升模型在缺失模态条件下的性能。
50%