TSP · 2026-07-19¶
- 共 1 篇 · IEEE Transactions on Signal Processing
本期导览¶
自动生成：归纳本期主要主题与脉络，不打分、不排名。
这一期仅收录一篇论文，主题聚焦于多模态在线联邦学习中的模态不平衡问题，属于分布式机器学习系统设计方向，与统计推断或因果方法无直接关联。论文系统分析了模态数量与质量不平衡（QQI）对学习性能的影响，并给出了理论量化结果，提出了基于原型学习的模态数量与质量再平衡（QQR）算法，该算法可与训练过程并行运行，在两个真实多模态数据集上验证了有效性。
由于本期只有一篇论文，且主题明确为多模态联邦学习中的不平衡问题，读者若关注因果推断、半参数效率或高维统计等方向，本期无直接相关论文可优先阅读。该文更适合对分布式机器学习系统设计、多模态学习或联邦学习中的不平衡问题感兴趣的读者。
其他 (other, 1 篇)¶
1. 10.1109/tsp.2026.3712709 · arXiv — Mitigating Modality Quantity and Quality Imbalance in Multimodal Online Federated Learning¶
- 作者: Heqiang Wang, Weihong Yang, Xiaoxiong Zhong, Jia Zhou, Fangming Liu, Weizhe Zhang et al.
- 期刊/来源: IEEE Transactions on Signal Processing
- 分类: pp 1-16
- 相关性 1/10 · novelty:
application - 摘要: 本文研究多模态在线联邦学习（MMO-FL）中模态数量与质量不平衡（QQI）问题。在物联网边缘设备上，数据生成是连续的，且设备存储有限，因此需要在线学习框架；同时设备的不稳定性导致收集到的多模态数据在模态数量和质量上存在不平衡。作者系统分析了QQI对学习性能的影响，并给出了理论量化结果。为缓解该问题，提出了基于原型学习的模态数量与质量再平衡（QQR）算法，该算法可与训练过程并行运行。在两个真实多模态数据集上的实验表明，QQR算法在模态不平衡条件下持续优于基准方法。本文主要贡献在分布式机器学习系统设计，而非统计推断或因果方法。
- 关键技术:
federated learning,online learning,prototype learning,multimodal learning - 为什么对您有用: 本文属于分布式机器学习系统方向，与您的主要兴趣（因果推断、高维统计、半参理论等）无直接技术交集。武器库中无对应工具可攻本文问题。作为gateway reading价值低，因为问题设定（联邦学习中的模态不平衡）并非您当前关注的核心统计推断问题。建议不读全文。
Maintained by 陈星宇 · Homepage · Source on GitHub