본 논문은 실세계 시나리오에서 흔히 나타나는 불완전하고 Non-Independent and Identically Distributed (Non-IID) 특성을 가진 다중 모달 데이터에 대한 연합 학습(Federated Learning, FL) 문제를 해결하기 위해 제안된 FedRecon 방법을 제시한다. FedRecon은 누락된 모달 재구축과 Non-IID 적응을 동시에 수행하는 최초의 방법으로, 경량의 다중 모달 변이 자동 인코더(Multimodal Variational Autoencoder, MVAE)를 사용하여 누락된 모달을 재구축하고 모달 간 일관성을 유지한다. 기존의 대치 방법과 달리, 새로운 분포 매핑 메커니즘을 통해 샘플 수준의 정렬을 달성하여 데이터의 일관성과 완전성을 보장한다. 또한, 전역 생성기 동결 전략을 도입하여 파국적 망각을 방지하고 Non-IID 변동을 완화한다. 다양한 다중 모달 데이터셋에 대한 광범위한 평가를 통해 FedRecon이 Non-IID 조건에서 모달 재구축 성능이 우수하며, 최첨단 방법들을 능가함을 보여준다.
