该论文针对联邦学习鲁棒聚合的一个被忽视的前提缺陷展开研究：坐标中位数、Krum、Bulyan、截断均值等方法的有限样本保证，都默认每轮参与客户端是全体总体的公平采样。但在部分参与场景下每轮仅少量客户端上报，攻击者占比即便不高也足以主导该轮样本，使上述理论保证静默失效。作者提出 SWB-DM 聚合器：SWB 将每个客户端更新的每一维切片视为一维分布，在客户端间计算经截断的 Wasserstein 重心，再通过基于 medoid 的规范固定步骤恢复坐标对应关系；作者明确说明该步骤是启发式做法，不主张其属于标准最优传输理论。DeMoA 风格的延迟动量则每轮在全体客户端上缓存更新，把鲁棒性与“本轮恰好采样到谁”解耦，代价是需要预热轮次。截断比例校准同样关键：截断不足会在适当校准后本可存活的污染水平下崩溃。实验覆盖 448 组 CIFAR-10 配置，并扩展到 CIFAR-100、FEMNIST 与 500 客户端可扩展性测试，揭示多种机理不同的失效模式：均匀采样下的坐标中位数退化为确定性错误答案；Krum 在违反 n>2f+2 前提时无告警发散；Bulyan 的 n>=4f+3 阈值呈突变的通过/失败边界。攻击侧，IPM 比 ALIE 更稳定地攻破包括 SWB 在内的次序统计类防御，并经 delta 空间测量与收敛界验证。将各基线扩展到相同轮预算后，SWB-DM 在 CIFAR-10 上增益格外显著；CIFAR-100 上 FLTrust 获益更多，但原因与缓存无关。