圖形聯邦學習

深度分析

UMEDA：譜門控 Linear Transformer、Diff‑GNO 與子空間差分隱私的多模態圖形聯邦學習

在裝置免穿戴定位場景中，多模態感測帶來異構離散化與分布漂移難題。UMEDA以譜門控線性注意力對齊共享低秩語意，再透過基於核頻譜的擴散圖算子進行生成式聚合，並以子空間投影差分隱私保留主要特徵，顯著改善在異質感測與嚴格隱私下的定位與姿態推估效果。