Byzantine Robust Federated Learning (BRFL) wurde im Oktober 2023 von einem Forschungsteam aus Universitäten und Institutionen wie der Beijing University of Aeronautics and Astronautics und der Guangxi Normal University gemeinsam vorgeschlagen. Die entsprechenden Forschungsergebnisse wurden in der Publikation „BRFL: Ein Blockchain-basiertes byzantinisch-robustes föderiertes Lernmodell".

Byzantinisches robustes föderiertes Lernen (BRFL) besteht aus zwei Hauptkomponenten: dem Pearson-Korrelations-Konsensalgorithmus (PPCC) und dem präzisionsbasierten Spektrumaggregationsalgorithmus (PSA). PPCC wählt den Aggregationsknoten für die nächste Runde anhand des Pearson-Korrelationskoeffizienten zwischen dem lokalen und dem globalen Modell aus vorherigen Runden aus und validiert gleichzeitig die Genauigkeit des lokalen Modells mithilfe des lokalen Datensatzes des Aggregationsknotens. Dadurch wird der Mangel an Testdatensätzen im föderierten Lernen behoben. PSA gruppiert hochkorrelierte lokale Modelle und überprüft deren Genauigkeit durch Berechnung des Mittelwerts. So werden fehlerhafte Modelle erkannt und Ressourcenkostenprobleme gelöst. Experimentelle Ergebnisse zeigen, dass BRFL eine hohe Robustheit aufweist und den Ressourcenverbrauch effektiv reduziert.