一种个性化贝叶斯联邦学习模型构建方法及系统

本发明属于联邦学习技术领域，公开了一种个性化贝叶斯联邦学习模型构建方法，本发明方法主要包含两个关键模块：在客户端层面，采用基于粒子的变分推断，借助Stein变分梯度下降(SVGD)对局部后验粒子进行更新，实现非参数化的后验表示，以此灵活捕捉本地数据特征；在服务器层面，引入基于粒子的Wasserstein重心聚合方法，根据客户端上传的局部后验粒子更新全局先验，使全局聚合更具几何意义。理论上，证明了该方法在局部和全局的收敛性，为算法的有效性提供了坚实保障。实验方面，通过在多个真实数据集上与多种基线方法对比，结果表明FedWBA在预测准确性、不确定性校准以及收敛速率上均表现卓越，且在少样本场景下优势明显，模型准确性波动较小。