联邦学习是一种很有前途的隐私保护机器学习技术，它可以使多个客户端能够通过共享模型参数来训练联合全局模型。然而，低效率和易受中毒攻击的脆弱性显著降低了联邦学习的性能。为了解决上述问题，我们提出了一种动态异步反中毒攻击联邦深度学习框架，以追求效率和安全性。本文提出了一种考虑平均频率控制和参数选择的轻量级动态异步算法，用于联邦学习以加快模型平均速度并提高效率，使联邦学习能够自适应地去除计算能力低、信道条...