本文研究了联邦学习中的本地模型污染攻击，提出了FLDetector和FedDefender等防御策略，以提高模型的鲁棒性和准确性。研究表明，恶意客户端会显著降低全局模型的性能，因此需要加强防御措施以应对各种攻击。

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。

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。