本文介绍了一种名为自适应联邦平均的新型算法，该算法利用隐藏马尔可夫模型来检测参与者在训练期间提供的模型更新质量，并提出一种鲁棒聚合规则以检测和丢弃每次训练迭代中的不良或恶意本地模型更新以及阻止不需要的参与者，从而在处理噪声、故障和恶意参与者时具有更高的鲁棒性和计算效率。

Sep, 2019

本文提出了首个单服务器拜占庭容错安全的聚合框架（BREA）用于安全联邦学习，包括完整的隐私保护和网络收敛保证，基于综合随机量化、可验证的异常检测和安全的模型聚合方法，并对网络规模、用户退化和隐私保护方面进行了理论和实验分析。

Jul, 2020

在这篇综述性论文中，作者重点介绍基于联邦学习的系统在应对恶意攻击、保障隐私方面所面临的问题，特别关注如何提高系统鲁棒性和隐私保护措施。

Dec, 2020

本论文提供了第一个通用框架，Certifiably Robust Federated Learning (CRFL)，用于训练具备抗击后门攻击认证的FL模型。该方法利用模型参数的裁剪和平滑来控制全局模型的平稳性，从而获得针对有限大小的后门的逐样本鲁棒性认证。同时，该认证还指明了联邦学习参数（如单个实例的攻击者比例，攻击者数量和训练迭代次数）之间的关系。

Jun, 2021

本文提出了一种强大的聚合方法，用于联邦学习，可以有效地应对恶意拜占庭攻击，每个用户可以通过多个步骤来更新模型参数，然后将其直接推送到聚合中心，聚合中心利用几何中位数将用户的模型参数进行组合，并通过严格的证明表明，只要恶意攻击者的比例低于一半，我们提出的方法可以达到零最优间隔，并呈线性收敛性。数值结果验证了我们提出方法的有效性。

Aug, 2023

提出了基于差分隐私机制的稀疏化和动量驱动的方差减少方法，以防御拜占庭攻击，并保证演算法的客户端隐私保障。通过与现有方法的比较实验证明了该框架提高了系统的强韧性，并取得了较强的隐私保证。

Sep, 2023

基于区块链的拜占庭-稳健联邦学习(BRLF)模型通过与区块链技术的结合，解决了联邦学习中的资源消耗问题，并在公共数据集上验证了我们安全聚合算法相对于其他基线算法在抗拜占庭攻击方面的优越性，证明了我们提出的模型的有效性。

Oct, 2023

FedTruth是一种针对FL中的模型污染问题的鲁棒防御方法，通过动态聚合权重估计全局模型更新，考虑了所有良性客户的贡献，并在实证研究中证明了其对拜占庭攻击和后门攻击的毒化更新的影响有很好的缓解效果。

Nov, 2023

我们提出了一种名为BALANCE的新算法，通过本地相似性在去中心化中进行拜占庭-鲁棒的均值计算，以抵御毒化攻击，并在强凸和非凸设置中建立了BALANCE在毒化攻击下的理论收敛保证，大量实验证明BALANCE优于现有的分布式联邦学习方法并有效地抵御毒化攻击。

Jun, 2024

本研究针对联邦学习中的非独立同分布数据和拜占庭威胁这两个关键问题，提出了一种名为FedCAP的稳健框架。其核心是模型更新校准机制，能够帮助服务器捕捉客户端间模型更新的方向和幅度差异，同时设计了定制的模型聚合规则，以促进相似客户端的协作训练并加速恶意客户端的模型退化。实验结果表明，FedCAP在多种非独立同分布设置下表现出色，并在一系列攻击场景中表现出强大的鲁棒性。

Oct, 2024