Badacze pracują nad metodą federacyjnego uczenia maszynowego dla multimodalnych grafów, które zawierają dane różnych typów (tekst, obrazy, metadata). Problem dotyczy heterogeniczności modalności, czyli sytuacji gdy różne węzły grafu mają dostęp do różnych rodzajów informacji. Rozwiązanie ma być odporne na takie nierówności w danych, co jest istotne dla systemów privacy-preserving, gdzie dane pozostają rozproszone. To ważne dla zastosowań w sieciach społecznych, systemach rekomendacyjnych i anali