El aprendizaje federado (FL) demuestra un potencial significativo en entornos de Internet Industrial de las Cosas (IIoT), ya que permite a múltiples instituciones construir conjuntamente un modelo de aprendizaje compartido intercambiando parámetros del modelo o actualizaciones de gradiente sin necesidad de transmitir datos sin procesar. Sin embargo, el FL enfrenta riesgos relacionados con el envenenamiento de datos y el envenenamiento del modelo. Para abordar estos problemas, proponemos un método eficiente de aprendizaje federado verificable (EVFL), que integra la esparsificación adaptativa de gradientes (AdaGS), firmas de Boneh-Lynn-Shacham (BLS) y cifrado completamente homomórfico (FHE). La combinación de firmas BLS y el algoritmo AdaGS se utiliza para construir un protocolo de agregación seguro. Estos protocolos verifican la integridad de los parámetros cargados por agentes industriales y la consistencia de los resultados de agregación del servidor. Los experimentos de simulación demuestran que el algoritmo AdaGS reduce significativamente la sobrecarga de verificación a través de la esparsificación y reutilización de parámetros. Nuestro algoritmo propuesto logra una mejor eficiencia de verificación en comparación con las soluciones existentes.