چکیده: چکیده افزایش روزمره بکارگیری تلفن‌های همراه و سایر دستگاه‌های هوشمند متصل به اینترنت موجب تولید حجم عظیمی از داده‌ها شده است. بهره برداری از این داده‌ها می‌تواند موجب رشد کسب و کارهای مدرنی گردد که از تکنولوژی‌هایی نظیر یادگیری ماشین در محصولات خود بهره می‌برند. با این‌حال نگرانی‌هایی در خصوص حفظ حریم خصوصی این داده‌ها وجود دارد، در پاسخ به این نگرانی‌ها یادگیری فدرال به عنوان یک روش آموزش توزیع شده مدرن معرفی گردیده ‌است. یادگیری فدرال سعی می‌کند با تجمیع مدل‌هایی که با داده‌های محلی در دستگاه‌‌ کلاینت‌ها آموزش دیده‌اند یک مدل سراسری ایجاد نماید. یادگیری فدرال علارقم کسب دست آوردهای چشمگیر و محبوبیت فراوان، به دلیل محیط عملیاتی توزیع شده شامل چالش‌هایی می‌باشد. از چالش‌های امنیتی، ارتباطی و چالش‌هایی که به واسطه داده‌های non-IID ایجاد شده‌اند می‌توان به عنوان مهمترین چالش‌های موجود نام برد. جهت رفع چالش‌های یاد شده تا کنون تحقیقات وسیعی صورت گرفته و همچنین نتایج مطلوبی حاصل گردیده است. با این وجود ایجاد یک چهارچوب ایمن و سریع جهت افزایش کارایی و سهولت بکارگیری یادگیری فدرال نیازمند تلاش‌های بیشتری می‌باشد. در این پژوهش جهت کاهش تاثیرات مخرب داده‌های non-IID نظیر کاهش دقت مدل سراسری و افزایش دورهای ارتباطی مورد نیاز جهت همگرایی «یادگیری فدرال مقاوم نسبت به داده‌های non-IID» را توسعه داده‌ایم که با استفاده از خوشه بندی دقیق و تجمیع درون خوشه ای تاثیر بسزایی در افزایش سرعت همگرایی داشته است. جهت مقابله با حملات مسمومیت «یادگیری فدرال مقاوم نسبت به حملات مسمویت داده» را توسعه داده‌ایم که می‌تواند مهاجمین را تشخیص داده و از شرکت آن‌ها در فرآیند تجمیع جلوگیری کند. بدلیل وجود تفاوت در توان پردازشی مشارکت کنندگان در فرآیند تجمیع، این امکان وجود دارد که برخی از مشارکت کنندگان مدل‌های حجیم‌تری از نظر تعداد پارامترهای یادگیرنده را آموزش دهند. «یادگیری فدرال با تجمیع مدل‌های غیر همگون » جهت بهره‌برداری حداکثری از منابع سخت‌افزاری و در نتیجه افزایش دقت مدل سراسری با فراهم آوردن امکان تجمیع مدل‌های غیر همگون معرفی شده است. نتایج حاصل شده نمایانگر بهبود چشمگیر در عملکر یادگیری فدرال درصورت بکارگیری روش‌های پیشنهادی می‌باشد.