研究发现，联邦学习系统在面对恶意客户端的攻击时更为稳健，这是因为分布式数据上的分散训练和平均操作的影响。这项研究对于理解联邦学习系统的稳健性以及应用中的实际问题具有重要意义。

该研究使用元强化学习和分散训练探索了集体探索策略的产生，发现去中心化的智能体在对抗多个子任务动态组成的大量任务树时表现出了强大的泛化能力，并且能够解决训练过程中从未遇到的新任务。

该研究探讨了联邦学习系统中的安全问题，发现联邦模型比集中式模型更为稳健。研究对于理解联邦学习系统的稳健性具有意义，并对联邦学习应用提出了实际问题。