Este artículo propone un nuevo marco, MMiC, para abordar el problema de la falta de modalidad en el aprendizaje federado multimodal (MFL), un método de aprendizaje distribuido que utiliza datos con diversas modalidades. MMiC mitiga el impacto de la falta de modalidad reemplazando parámetros parciales de los modelos de cliente dentro de un clúster, optimiza la selección de clientes mediante el Índice de Potencia de Banzhaf y controla dinámicamente la agregación global mediante la Optimización de Portafolios de Markovitz. Los resultados experimentales demuestran que MMiC supera a las arquitecturas de aprendizaje federado existentes en rendimiento global y personalizado en conjuntos de datos multimodales con falta de modalidad.
