本研究提出了联邦对抗训练（FAT）框架，以提高联邦学习模型对抗样本攻击的鲁棒性。通过对数准确性矫正策略解决数据分布问题，实验证明在多个数据集上表现优异。同时，研究了标签倾斜对训练稳定性的影响，提出Calibrated FAT方法以改善模型性能。

该论文探讨了联邦学习中的标签倾斜和对抗训练问题，提出了 Calibrated FAT 和 DBFAT 算法，以提高模型的鲁棒性和准确性。研究表明，这些方法在不同数据集上优于传统基准，有效应对非 IID 数据的挑战。