本文设计了一个 Byzantine-robust （能够抵御投毒攻击） 的联邦学习框架。在此 Fed 框架中，每一轮梯度聚合前，server 端 会先计算 global模型在 root dataset（server额外收集的干净的数据集，大小为100即可）上的梯度，然后通过计算该梯度和各 client 上传的梯度的 角度获取 TS（信任分数），并进行幅值的缩放，有效地降低了 上传投毒梯度的 cli