L'apprentissage fédéré robuste byzantin (BRFL) a été proposé conjointement en octobre 2023 par une équipe de recherche d'universités et d'institutions telles que l'Université d'aéronautique et d'astronautique de Pékin et l'Université normale de Guangxi. Les résultats de cette recherche ont été publiés dans l'article « BRFL : un modèle d’apprentissage fédéré robuste aux distorsions byzantines basé sur la blockchain".

L'apprentissage fédéré robuste byzantin (BRFL) comprend deux composantes principales : l'algorithme de consensus par corrélation de Pearson (PPCC) et l'algorithme d'agrégation spectrale basée sur la précision (PSA). Le PPCC sélectionne le nœud d'agrégation pour le cycle suivant en fonction du coefficient de corrélation de Pearson entre le modèle local et le modèle global des cycles précédents, tout en validant simultanément la précision du modèle local à l'aide du jeu de données local du nœud d'agrégation, palliant ainsi le manque de jeux de données de test dans l'apprentissage fédéré. Le PSA regroupe les modèles locaux fortement corrélés et vérifie leur précision en calculant la moyenne, détectant ainsi les modèles malveillants et optimisant le coût des ressources. Les résultats expérimentaux démontrent que le BRFL présente une grande robustesse et réduit efficacement la consommation de ressources.