基于联邦贝叶斯学习的算力网络中异常数据识别方法及装置

本发明公开了一种基于联邦贝叶斯学习的算力网络中异常数据识别方法及装置，在算力网络架构下，基于贝叶斯神经网络构建去中心化联邦学习框架，该框架下每个算力节点都具有多种算力属性；首次训练选择数据量丰富且计算能力强的算力节点作为起始训练节点，完成训练后利用内在可解释性，分析出输入层影响最大的特征。根据算力属性评估，选择出下一个参与训练的算力节点，将关键特征传递给改算力节点对其先验分布进行对应调整，再进行训练。重复操作直至模型收敛，性能稳定。本发明既利用了算力网络中算力节点的调度，提高资源利用率，又保证了数据的隐私性。此外，本发明还充分发挥了贝叶斯神经网络的抗拟合性以及可解释性，保证了深度学习准确性。