基于Stein变分梯度下降的贝叶斯联邦学习方法

本发明提供一种基于Stein变分梯度下降的贝叶斯联邦学习方法，涉及贝叶斯联邦学习技术领域。该方法在服务器端使用平均似然粒子取代了客户端的局部似然粒子，服务器端只需要通过平均似然粒子即可完成对全局后验分布的计算任务，从而在很大程度上缓解了服务器的存储压力，能够允许更多的客户端参与到联邦学习系统中；在服务器端估计平均似然时，上一轮迭代的平均似然可作为对隐式获得的客户端局部似然的正则化项，一方面能够隐式地消除未被调度的客户端过时的局部似然的影响，另一方面，这也能够平衡由于联邦学习系统的非独立同分布特性所导致的已调度客户端局部似然的不一致性。