本发明公开一种联邦梯度提升决策树投票并行训练方法，针对联邦机构的应用场景，不同的参与方之间享有着不同的数据集存在有较大的分布差异，本发明使用了基于隐私保护的表格数据的对抗生成网络，同时使用KD‑tree对合成样本和本地样本分别聚类采样的方法生成混合样本集，以此来实现接近于总体数据分布的全局混合样本。另外，本发明基于全局混合样本和本地原始样本，并基于联邦学习的方法完成了梯度提升决策树的训练，在训练过程中采用了直方图优化算法使通信量与样本量无关，采用了投票特征的方法使得通信量与样本特征数量无关，极大减小了通信代价，适合在地理位置较远的机构之间通信代价减小。