联邦学习（FL）通过保护数据隐私、降低通信成本以及利用多样化的数据源提升模型性能，从而增强了分布式机器学习。然而，FL面临非定向投毒攻击和定向后门攻击等漏洞，对模型完整性和安全性构成挑战。由于后门攻击的隐蔽性，防御后门尤其困难。现有的缓解技术虽然有效，但往往忽视了现实的攻击者和多样化的数据分布。本文提出MESAS，一种针对自适应攻击者的联邦学习投毒防御方法。MESAS设计了一种新的检测机制，能够识别并过滤恶意更新，同时保持对非恶意更新的容忍度。通过在多个基准数据集上的实验，作者展示了MESAS在应对多种投毒攻击（包括后门攻击）时的优越性，特别是在自适应攻击者存在的情况下仍能保持鲁棒性。该方法在不牺牲模型准确率的前提下显著降低了攻击成功率。适用于联邦学习安全研究人员、系统设计者和部署者。

离线安全强化学习（Offline Safe RL）能够在没有在线交互的情况下学习策略，因此适用于机器人等安全关键系统。然而，其依赖静态数据集的特点使其容易遭受数据投毒攻击，攻击者注入恶意样本以破坏安全性并导致不安全策略行为。本文提出一种新的学习范式——安全反学习（Safe-RULE），作为防御框架，无需从头重新训练或访问原始训练环境即可消除投毒数据的影响。作者将反学习扩展至离线安全强化学习，在反学习过程中显式考虑任务性能和安全性约束。在多个安全强化学习基准任务上的实验表明，该方法能有效增强对数据投毒攻击的安全性能。核心贡献包括：定义了离线安全强化学习中的投毒防御问题；提出结合安全约束的反学习机制；实验验证了防御效果。适合关注AI安全、强化学习安全尤其是防御技术的研究人员阅读。