本研究解决了联邦推荐系统中拜占庭攻击带来的安全问题，尤其是考虑到其独特的稀疏聚合机制。通过将拜占庭稳健性重新定义为单个项目的最小执行单元，本论文提出了一种名为Spattack的攻击策略，揭示了稀疏聚合中的脆弱性。研究结果表明，Spattack可以有效阻止收敛，并在恶意客户端的影响下破坏防御，从而对联邦推荐系统的安全性提出了警示。

该研究提出了FedRISE方法，改进了拜占庭稳健聚合器，以增强对强攻击的鲁棒性。通过稀疏梯度符号投票，确保梯度朝最优方向，实验结果表明其抗干扰能力和稳定性更强。

本文针对分布式学习中拜占庭鲁棒性和通信效率的关键挑战，提出了一种新颖的随机分布式学习方法。该方法不对批大小有要求，能够收敛到比现有方法更小的解邻域，同时通过利用Polyak动量来减轻偏置压缩器和随机梯度带来的噪声，展现出显著的实用价值和理论优势。

本文介绍了自适应联邦平均算法，利用隐藏马尔可夫模型检测模型更新质量，并提出鲁棒聚合规则以抵御恶意模型更新。研究了联邦学习中的本地模型污染攻击及其防御方法，提出了FLANDERS聚合方案和SkyMask系统，以增强对拜占庭攻击的鲁棒性。此外，提出了BALANCE算法和基于模型置信度评分的方法，以提高系统的鲁棒性和准确性。

CYBER-0 是首个针对内存和通信效率具有拜占庭容错功能的零阶优化算法，通过在 MNIST 数据集和 RoBERTa-Large 上进行大量数值实验，我们证明 CYBER-0 在通信和内存效率方面优于最先进算法，并达到相似的准确性，并且我们对其在凸损失函数方面的收敛性提供了理论保证。

本文探讨了联邦学习中的数据异构性问题，提出了联邦拟合预测框架（FCP）和局部可交换性概念，以确保在分布式环境中有效的预测和不确定性量化。研究还介绍了自适应拟合框架、无线联合共测性预测（WFCP）及基于分位数回归的方法，这些方法在医学影像分类等任务中表现出色，提供了理论和实验支持。

基于深度强化学习的车边计算中，根据车辆的整体性能和遭受的拜占庭攻击程度，提出了一种车辆选择方案，以有效提高全局模型的安全性和准确性。

本文提出了一种抗拜占庭攻击的联邦学习聚合方法，通过几何中位数组合用户模型参数，确保在恶意攻击者比例低于一半时实现零最优间隔和线性收敛性。实验结果表明，该方法相较于传统方法具有更强的鲁棒性和更快的收敛速度。

本文介绍了针对联邦学习中恶意客户端和模型污染攻击的防御方法，包括FLTrust、FedTruth和FLDetector等。这些方法利用信任评分、动态聚合和聚类算法等技术，提高模型的鲁棒性和准确性，降低攻击影响。此外，研究还探讨了基于区块链的解决方案和差分隐私机制，以增强系统的安全性和隐私保护。

该文综述联邦学习多个研究方向：FedAvg与FedProx在恶意客户端下仍具收敛性；基于隐马尔可夫模型的自适应联邦平均可检测并剔除恶意更新；FedAc加速FedAvg；衰减本地步数改善强凸收敛；客户端子采样降低通信开销；FLTrust利用干净数据引导信任评分；调整本地学习率提升优化效果；FedLaAvg应对客户端不连续可用；鲁棒SGD过滤拜占庭异常；新聚合策略按贡献区分客户端价值。

该文综述联邦学习中的隐私保护与拜占庭容错研究，提出差分隐私稀疏化与动量方差减少方法，在防御拜占庭攻击的同时保障客户端隐私；并介绍FedAL对抗学习知识蒸馏、FedTruth鲁棒聚合、Fed-EDKD抗跨客户端GAN攻击、FedDKD去中心化知识蒸馏等方案，均提升了异构数据下的准确率与韧性。

本文提出了 TernaryVote 算法，它通过结合三值压缩器和多数投票机制，实现了差分隐私、梯度压缩和拜占庭容错的同时保证。我们理论上量化了该算法的隐私保证，通过新兴的 f - 差分隐私和所提算法的拜占庭容错性。与基于符号的现有方法 StoSign...

本文综述分布式机器学习中的拜占庭容错研究，涵盖Krum更新规则、中位数与截尾均值鲁棒梯度下降、BRIDGE框架、Bulyan聚合规则、RSA随机次梯度方法、模型一致性定义及进化搜索算法、客户端抽样与梯度剪裁方法，以及并行SGD的确定性与随机编码方案，兼顾鲁棒性、收敛性与通信效率。

本文研究了一种隐私保护和拜占庭健壮的分布式随机梯度下降框架，采用高斯噪声进行隐私保护，并采用鲁棒聚合规则来对抗拜占庭攻击。研究发现分布式学习中隐私保护和拜占庭健壮性之间存在权衡关系，并通过数值实验验证了理论发现。

该研究探讨了分布式网络中拜占庭鲁棒随机优化问题，并引入了SAGA和LSVRG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。该方法在基于TV范数正则化和随机子梯度更新的方法中表现最优，并在广泛的拜占庭攻击实验中得到了验证。