现有基于同态加密的联邦学习安全和隐私保护方案中，仍面临着服务器伪造聚合结果或与用户合谋导致隐私数据泄露风险。针对上述问题，该文提出抗合谋的隐私保护和可验证联邦学习方案。首先，通过结合秘密共享算法实现密钥的生成和协作解密，并采用同态加密等密码学原语进一步保护模型，防止用户与服务器的合谋攻击。然后基于双线性聚合签名算法使每个用户能够独立验证服务器提供的聚合结果。同时，为了鼓励更多拥有高质量数据的用户参与进来，该文提出一种激励机制，为用户提供相应的奖励。安全性分析表明，该文方案对系统中存在的合谋攻击具有鲁棒性。最后，理论分析和实验验证结果表明该方案具有可靠性、可行性和有效性。
