基于弹性正则化与合成回放的联邦多模态大模型微调持续学习

针对联邦多模态大模型在动态环境中面临的灾难性遗忘问题，本文提出 FedCMM 框架。该方法在参数层引入模态感知弹性权重巩固，保护特定模态知识；在数据层利用本地生成回放模块合成嵌入级多模态元组，避免原始数据共享；在聚合层通过任务相似度感知梯度聚合过滤冲突更新。实验表明，该框架显著提升了模型在异构网络部署中的准确性与 backward transfer 能力，实现了鲁棒的演化适应。