该研究提出了名为FATS的新联邦学习框架，解决个别客户或数据对全局模型的影响问题。该框架通过保证无学习之后的模型与未删除数据时训练的模型在统计上无差异，并具有总变差稳定性的特性，实现了快速联邦去学习。实证验证表明，该框架在准确性、通信成本、计算成本和去学习效果方面具有优势。