本研究提出了一种新型拜占庭鲁棒聚合算法WFAgg，旨在解决去中心化联邦学习中的安全问题。该算法通过多种过滤器识别和减轻拜占庭攻击，提高了动态去中心化拓扑的鲁棒性。实验结果表明，WFAgg在各种攻击场景下能有效保持模型精度和收敛性，优于现有集中式方案。

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。