본 논문은 다량의 복잡한 데이터로부터 숨겨진 패턴과 통찰력을 발견하는 데 필수적인 다중 모달 데이터 마이닝과, 그 효율성과 품질을 향상시키는 분산 접근 방식인 다중 모달 연합 학습(MFL)에 대해 다룹니다. 특히, 데이터 품질 문제나 개인 정보 보호 정책으로 인해 발생하는 MFL에서의 모달 누락 문제를 해결하는 새로운 프레임워크 MMiC를 제시합니다. MMiC는 클러스터 내 클라이언트 모델의 부분 매개변수를 대체하여 누락된 모달의 영향을 완화하고, Banzhaf Power Index를 활용하여 클라이언트 선택을 최적화하며, Markovitz Portfolio Optimization을 이용하여 글로벌 집계를 동적으로 제어합니다. 실험 결과, MMiC는 누락된 모달이 있는 다중 모달 데이터셋에서 기존 연합 학습 아키텍처보다 글로벌 및 개인화된 성능 모두에서 우수한 성능을 보임을 확인했습니다.
