यह शोधपत्र एक नया रक्षा ढाँचा प्रस्तुत करता है जो फ़ेडरेटेड लर्निंग (FL) में डेटा और मॉडल पॉइज़निंग जैसी बाइज़ेंटाइन क्रियाओं के विरुद्ध मज़बूती को बढ़ाता है। मौजूदा रक्षा तकनीकें मज़बूत एकत्रीकरण नियमों या अनुमानों पर निर्भर करती हैं, जिनकी त्रुटि की निचली सीमाएँ क्लाइंट की विविधता बढ़ने पर बढ़ती हैं, या सत्यापन के लिए एक विश्वसनीय बाहरी डेटासेट की आवश्यकता होती है। इस शोधपत्र में, हम एक रक्षा ढाँचे का प्रस्ताव करते हैं जो एक सशर्त जनरेटिव एडवर्सेरियल नेटवर्क (cGAN) का उपयोग करके सर्वर पर क्लाइंट अपडेट को सत्यापित करने के लिए प्रतिनिधि डेटा को संश्लेषित करता है। यह दृष्टिकोण बाहरी डेटासेट पर निर्भरता को समाप्त करता है, विभिन्न आक्रमण रणनीतियों के अनुकूल होता है, और मानक FL वर्कफ़्लो में सहजता से एकीकृत होता है। बेंचमार्क डेटासेट पर व्यापक प्रयोग दर्शाते हैं कि प्रस्तावित ढाँचा समग्र मॉडल सटीकता को बनाए रखते हुए दुर्भावनापूर्ण और सौम्य क्लाइंट में सटीक रूप से अंतर करता है। बाइज़ेंटाइन मज़बूती के अलावा, हम सिंथेटिक डेटा की प्रतिनिधित्व क्षमता, cGAN के प्रशिक्षण की कम्प्यूटेशनल लागत, और दृष्टिकोण की पारदर्शिता और मापनीयता की भी जाँच करते हैं।
