该研究探讨了分布式网络中拜占庭鲁棒随机优化问题，通过引入两种方差减小方法，实现了线性收敛速度和随机梯度噪声独立的学习误差，对基于总变异范数正则化和随机子梯度更新的方法具有最优的学习误差表现，并在广泛的拜占庭攻击实验中得到了验证。

本文介绍了一种更现实的异质性模型，证明了分布式学习算法的学习误差存在下界，并推导了一个强鲁棒的分布式梯度下降算法的上界。实证分析表明，该方法能够减小理论和实践之间的差距。