该研究提出了一种名为ShapFed的新型参与者贡献评估方法，利用Shapley值对参与者的贡献进行评估，并提出了一种名为ShapFed-WA的加权聚合方法。实验证明该方法在提高联邦学习系统的效用、效率和公平性方面有效。

研究发现，联邦学习系统在面对恶意客户端的攻击时更为稳健，这是因为分布式数据上的分散训练和平均操作的影响。这项研究对于理解联邦学习系统的稳健性以及应用中的实际问题具有重要意义。

BRIEF是一种新型的联邦学习系统，通过聚类、模型分割算法和密码工具对抗恶意攻击，保持更新机密性和训练正确性。经过安全性证明和实证评估，测试准确率接近基线，攻击成功率约为0-5％，同时减少通信开销和运行时间。