本論文では、フェデレーテッドラーニング（FL）が悪意のあるビザンチンクライアントによる脅威にさらされる中で、モデルの堅牢性を高めるための新しい最適化問題を提案します。従来の手法に代わり、集約過程において重みを学習可能なパラメータとして扱い、グローバルモデルのパラメータとの共同最適化を行います。この最適化問題を解決するために、敵対的攻撃に対して強い収束保証を持つ交互最小化アルゴリズムを開発しました。提案された目的関数のビザンチン耐性を分析し、さまざまなデータセットや攻撃シナリオに対して、最先端のビザンチン耐性FL手法と性能を比較しました。実験結果は、特にデータの分布が不均一で悪意のあるクライアントが多い環境において、提案手法が既存手法を常に上回ることを示しています。