本研究提出了一种Δ-影响方法，通过影响函数追踪并剔除受污染的训练数据。实验结果表明，该方法在多种攻击场景下优于现有的消除方法，有效应对数据毒化问题。

本文研究了联邦学习中的本地模型污染攻击，提出了两种防御方法，并介绍了新的聚合规则Bulyan，以增强分布式学习的鲁棒性。此外，提出了基于中位数的算法以提高通信效率，并探讨了数据毒化攻击的防御策略。