本稿では、フェデレートラーニングにおけるローカルデータの汚染に対する堅牢性を向上させるための協調的でプライバシー保護型の機械教育手法を提案しています。フェデレートラーニングは、エージェントがホストするローカルデータを用いて分散したモデルトレーニングを行いますが、ローカルエージェントのノイズ汚染に脆弱であることが以前の研究から示されています。提案手法では、各ローカルエージェント（教師）が信頼できるインスタンスの一部を検証するリソースを持ち、これらのインスタンスがエージェントのデータから有用なトレーニングサブセットを共同で選択するのを助けます。また、エージェントは選択したデータインスタンスに限られた変更を加え、汚染されたデータにもかかわらず、トレーニングされたモデルの性能を向上させることを学習します。実験により、提案手法がトレーニングセットのバグを効果的に特定し、適切なラベル変更を提案することが示されています。