新联邦学习算法Byrd-NAFL结合Nesterov动量与拜占庭容错聚合，兼顾收敛速度与抗攻击能力
arXiv论文提出Byrd-NAFL，在非凸光滑损失下给出有限时间收敛保证，实验显示在收敛速度、精度和对多种恶意攻击的鲁棒性上优于现有基准。
arXiv机器学习论文（编号 2511.02657）提出一种名为Byrd-NAFL的拜占庭鲁棒联邦学习算法，将Nesterov动量与鲁棒聚合规则结合，在存在可能任意恶意行为的拜占庭对手时，同时提升通信效率与抗攻击性。
作者为Lihan Xu、Xiaoyi Fan、Gang Wang、Runhao Zeng、Xiping Hu和Yanjie Dong。论文首次提交于 2025 年 11 月 4 日，当前版本（v2）更新于 2026 年 9 月 3 日。
算法设计与理论保证
Byrd-NAFL将Nesterov动量（Nesterov's momentum）集成到联邦学习流程中，并搭配拜占庭鲁棒聚合规则，以实现对梯度破坏的快速、安全收敛。
论文在非凸且平滑的损失函数下，以及对聚合梯度的宽松假设下，为Byrd-NAFL建立了有限时间收敛保证。
该论文的摘要（摘要中未提供完整细节）声称，广泛的数值实验验证了Byrd-NAFL的有效性，并展示了其在收敛速度、准确性以及对各种恶意攻击的鲁棒性方面优于现有基准。