本研究提出了一种名为FLORAL的对抗训练防御策略，旨在增强机器学习模型在标签中毒攻击下的鲁棒性。通过双层优化框架，FLORAL显著提升了模型的分类能力。

本文提出了一种名为FLORAL的防御机制，旨在增强联邦学习在时间序列数据中的稳健性，以抵御数据中毒攻击。通过逻辑推理评估客户端的可信度，实验结果表明其预测精度显著优于现有方法。