Cet article propose un nouveau cadre, MMiC, pour résoudre le problème de la modalité manquante dans l'apprentissage fédéré multimodal (MFL), une méthode d'apprentissage distribué qui utilise des données aux modalités diverses. MMiC atténue l'impact de la modalité manquante en remplaçant des paramètres partiels des modèles clients au sein d'un cluster, optimise la sélection des clients grâce à l'indice de puissance de Banzhaf et contrôle dynamiquement l'agrégation globale grâce à l'optimisation de portefeuille de Markovitz. Les résultats expérimentaux démontrent que MMiC surpasse les architectures d'apprentissage fédéré existantes en termes de performances globales et personnalisées sur des ensembles de données multimodaux à modalité manquante.
