本文综述联邦学习中的拜占庭鲁棒优化研究，涵盖多任务联邦强化学习的分布式决策与收敛保证、差分隐私与拜占庭容错结合的算法、基于几何中位数的鲁棒聚合（恶意节点少于一半时实现线性收敛）、鲁棒线性赌博机算法、点对点分布式梯度下降的容错机制、边缘联邦学习面向重尾数据的优化与梯度压缩、区块链安全聚合模型，以及Byrd-SAGA等兼顾抗攻击与快速收敛的方法。