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。