# 模态缺失

白内障术前多模态数据中SLO影像常缺失，此前的方法多在融合阶段抑制缺失影响或用零值填充，而不显式补出该模态的任务相关表示。这项工作把缺失SLO当作潜特征空间中的代理表示恢复问题，用OCT图像特征与临床文本特征作为条件，驱动扩散模型反向去噪估计样本特异的SLO代理表示，再送入融合预测网络。在2141例术前样本、SLO缺失率58.80%的数据上，该方法在绝对误差不超过0.1 LogMAR的判据下准确率为0.9714、平均绝对误差0.0423，优于UML骨干基线的0.9625与0.0457。

白内障术前多模态数据中SLO影像常缺失，此前的方法多在融合阶段抑制缺失影响或用零值填充，而不显式补出该模态的任务相关表示。这项工作把缺失SLO当作潜特征空间中的代理表示恢复问题，用OCT图像特征与临床文本特征作为条件，驱动扩散模型反向去噪估计样本特异的SLO代理表示，再送入融合预测网络。在2141例术前样本、SLO缺失率58.80%的数据上，该方法在绝对误差不超过0.1 LogMAR的判据下准确率为0.9714、平均绝对误差0.0423，优于UML骨干基线的0.9625与0.0457。

多模态联邦学习中，客户端只观测到部分模态时，服务器按“谁可用”聚合更新会漏掉仍在参与预测的编码器。RASO改为按预测依赖和本地优化器成员资格挑选每个组件的贡献者，并对编码器保留动量、把共享预测块同步到当前聚合。在KU-HAR、CREMA-D等数据集与两种融合结构上，拼接融合下KU-HAR的宏F1由可用性规则的41.30升到49.13，掩码注意力下RASO在UCI-HAR、KU-HAR、CREMA-D领先，CrisisMMD则由FedOpt领先。

多模态联邦学习中，客户端只观测到部分模态时，服务器按“谁可用”聚合更新会漏掉仍在参与预测的编码器。RASO改为按预测依赖和本地优化器成员资格挑选每个组件的贡献者，并对编码器保留动量、把共享预测块同步到当前聚合。在KU-HAR、CREMA-D等数据集与两种融合结构上，拼接融合下KU-HAR的宏F1由可用性规则的41.30升到49.13，掩码注意力下RASO在UCI-HAR、KU-HAR、CREMA-D领先，CrisisMMD则由FedOpt领先。