环形去中心化联邦学习里噪声会随跳数累积：FedSharp把拜占庭攻击下的MNIST准确率拉到93.5%以上
去中心化联邦学习没有中心服务器，模型逐跳转发时链路噪声会累积，学习率衰减后更明显，拜占庭节点还能借低损失伪装成诚实模型的均值。FedSharp让每个节点保留前驱的模型副本，用逐坐标中位数偏差筛掉单参数突变的模型，再对低损失候选取平均，并加入随噪声调整的梯度范数正则与近端训练。在100节点、33个拜占庭节点的环形拓扑上，MNIST准确率为93.5%–94.9%，单模型选择基线为29.4%–38.1%。