본 논문은 다양한 모달리티를 가진 데이터를 사용하는 분산 학습 방법인 다모달 연합 학습(MFL)에서 모달리티 누락 문제를 해결하기 위한 새로운 프레임워크 MMiC를 제안한다. MMiC는 클러스터 내 클라이언트 모델의 부분 파라미터를 대체하여 모달리티 누락의 영향을 완화하고, Banzhaf Power Index를 활용하여 클라이언트 선택을 최적화하며, Markovitz Portfolio Optimization을 이용하여 글로벌 집계를 동적으로 제어한다. 실험 결과, MMiC는 모달리티 누락이 있는 다모달 데이터셋에서 기존 연합 학습 아키텍처보다 글로벌 및 개인화된 성능 모두에서 우수한 성능을 보였다.
