Las técnicas de aprendizaje federado logran el modelado federado y comparten modelos globales sin compartir datos. El aprendizaje federado ofrece una buena respuesta a problemas complejos de datos y seguridad de privacidad. Aunque hay muchas formas de abordar el aprendizaje federado, los ataques bizantinos son en los que nos concentramos. Los ataques bizantinos obstaculizan principalmente el aprendizaje al manipular los parámetros del modelo local proporcionados por un cliente al nodo maestro a lo largo del proceso de aprendizaje federado, lo que lleva a un modelo global final que se desvía de la solución óptima. Para abordar este problema, combinamos reglas de agregación con robustez bizantina utilizando un algoritmo de optimización de descenso de gradiente basado en reducción de varianza. Proponemos un método WGM-dSAGA con robustez bizantina, llamado SAGA distribuido basado en mediana geométrica ponderada. Reemplazamos la estrategia de agregación de media original en el SAGA distribuido con una regla de agregación robusta basada en la mediana geométrica ponderada. Cuando menos de la mitad de los clientes experimentan ataques bizantinos, los resultados experimentales demuestran que nuestro enfoque propuesto WGM-dSAGA es altamente robusto a diferentes ataques bizantinos. Nuestro algoritmo propuesto WGM-dSAGA proporciona la brecha y varianza óptimas bajo un escenario de ataque bizantino.