本文介绍了一种基于贝叶斯推理的自适应辍学方法（FedBIAD），通过将局部模型权重转化为概率分布，并根据本地训练损失趋势辍掉部分权重行，从而提高准确性并减少上行通信成本。理论分析表明，FedBIAD 的平均泛化误差收敛速度最快，甚至在非独立同分布数据上可以提高2.41%的准确率，并缩短最多72%的训练时间。