联邦学习（FL）允许多方在不直接共享原始数据的情况下协作训练模型，但恶意客户端的存在会严重威胁模型安全。基于投票的FL方法通过将客户端划分为多个组，每组训练一个局部模型，最终通过多数投票聚合预测结果来提升鲁棒性。然而，在类别不重叠的非独立同分布（non-IID）数据分布下，不考虑数据分布特性的分组策略会导致认证准确率（CA）波动很大。本文提出CARVY-FL，一种利用客户端反聚类实现鲁棒投票的联邦学习方法。核心思路是：首先通过单轮模型更新估计每个客户端的数据分布类型，然后使用反聚类（anticlustering）技术，使得每个组内的客户端数据分布具有尽可能大的多样性，从而在固定分组下保持基于投票的CA保证的同时，增大投票裕度（vote margins）。理论上，CARVY-FL保留了投票式联邦学习的认证鲁棒性；实验在MNIST和Fashion-MNIST上验证了其CA优于已有方法FLCert。此外，在BadNets后门攻击配合模型替换场景下，CARVY-FL将100-ASR（攻击成功率）的AUC分别提升了11.1%和14.9%，显示出更强的后门抵御能力。本文适合研究联邦学习鲁棒性、数据异质性以及对抗攻击防御的研究者和工程师阅读。