拜占庭鲁棒联邦学习（BRFL）是由北京航天航空大学、广西师范大学等高校机构的研究团队于 2023 年 10 月联合提出的，相关研究成果发表于论文「BRFL: A Blockchain-based Byzantine-Robust Federated Learning Model」。

拜占庭鲁棒联邦学习包含两个主要组件：Pearson 相关系数共识算法（PPCC）和基于精度的频谱聚合（PSA）算法。 PPCC 根据本地模型与先前轮次的全局模型之间的 Pearson 相关系数选择下一轮的聚合节点，同时通过使用聚合节点的本地数据集来验证本地模型的准确性，考虑了联邦学习中测试数据集的缺乏。 PSA 将相关性高的本地模型进行聚类，并通过计算平均值来验证其准确性，从而检测恶意模型并解决资源成本问题。实验结果表明，BRFL 具有高鲁棒性，并有效减少了资源消耗。