减小自适应无偏客户抽样的方差以探索联邦优化

本文介绍了一种名为pFedBayes的新型个性化联合学习方法，采用贝叶斯变分推理来减轻模型过拟合的问题，并通过平衡私有数据的构造误差来更新其本地分布参数。实验结果表明，该方法在个性化模型方面表现出色，在MNIST、FMNIST和CIFAR-10上分别比其他SOTA算法的结果更好，分别提高了1.25%、0.42%和11.71%。