Naukowcy zaproponowali FedSharp - framework do zdecentralizowanego uczenia federacyjnego (DFL), który radzi sobie z византийскими atakami, szumem kanału i heterogeniczością danych. Problem w istniejących rozwiązaniach polega na tym, że szum telekomunikacyjny kumuluje się jako modele rozprzestrzeniają się po węzłach sieci, a jego wpływ rośnie wraz ze spadkiem learning rate'u. To umożliwia atakującym zainfekowanie średniej modeli, poprzez manipulację wartościami loss-u.
FedSharp rozwiązuje to poprzez ekscytujący pomysł: każdy węzeł przechowuje modele ze swoich 2b poprzedników topologicznych. W ten sposób, nawet jeśli b węzłów jest bizantyńskich, mamy gwarancję co najmniej b uczciwych kandydatów do wyboru. System używa então koordynatowego screening'u median, aby odfiltrować podejrzane modele, a następnie uśrednia b kandidatów z najniższym loss - to zmniejsza świeży szum kanału b razy. Dodatkowo stosuje noise-adaptive regularyzację norm gradientów i proximal training, aby radzić sobie z szumem akumulowanym i drycem danych nie-IID.
Wyniki są imponujące. Na sieci 100 węzłów z 33 węzłami atakującymi FedSharp osiąga 93.5-94.9 procent dokładności na MNIST wobec zaledwie 29.4-38.1 procent dla najlepszego istniejącego benchmarku. Na CIFAR-10 różnica jest jeszcze bardziej drastyczna - 32.8-48.8 procent dla FedSharp wobec 10.0-30.5 procent dla konkurencji. Te wyniki utrzymują się zarówno dla iid jak i non-iid danych, oraz dla Gaussowskiego i ukrytych ataków.