Aprendizaje federado
Sinónimos: Federated learning · Aprendizaje federativo
Definición ampliada
En el aprendizaje federado, varios participantes entrenan localmente un modelo y comparten actualizaciones para construir uno común, sin reunir los datos de entrenamiento brutos en un único depósito. Una forma conocida, Federated Averaging, agrega de manera iterativa las actualizaciones locales [1].
Que los datos brutos permanezcan en cada lugar no garantiza privacidad: en determinadas condiciones se han reconstruido datos a partir de gradientes compartidos [2]. El aprendizaje federado necesita controles adicionales de seguridad, permisos y evaluación.
Contexto histórico
McMahan y colaboradores describieron en 2017 un método práctico de entrenamiento descentralizado y lo evaluaron con datos repartidos entre dispositivos [1]. El enfoque se extendió después a colaboraciones entre instituciones, incluidas las sanitarias.
Importancia actual
A fecha de septiembre de 2026, ofrece una forma de estudiar modelos cuando centralizar datos resulta difícil por motivos técnicos, jurídicos u organizativos. Su valor depende de la calidad y compatibilidad de los datos locales, la coordinación y la validación del modelo resultante.
Aplicaciones
Generales
- Entrenar un modelo común con datos distribuidos en dispositivos.
- Colaborar entre organizaciones sin trasladar todos los registros a una infraestructura central.
Sanitarias
- Investigar modelos con datos de varios hospitales manteniendo los registros clínicos brutos en cada institución.
- Dayan y colaboradores entrenaron un modelo federado con datos de 20 centros para estudiar la predicción de necesidades de oxígeno en pacientes con COVID-19; es un ejemplo de investigación, no una validación de cualquier sistema federado [3].
Limitaciones
- Los centros pueden diferir en población, medición, etiquetas y prevalencia.
- La agregación requiere comunicación y coordinación; algunos participantes pueden fallar o abandonar el proceso.
- No compartir datos brutos no elimina filtraciones posibles a través de actualizaciones [2].
- Un buen resultado promedio puede ocultar peor rendimiento en un centro o subgrupo; hace falta evaluación separada.
Ejemplos
Tres hospitales entrenan el mismo modelo sobre sus registros locales. Tras cada ronda envían actualizaciones al coordinador, que construye una versión compartida. Para juzgarla no basta con compararla con un modelo de un solo hospital: hay que medirla en cada centro y examinar qué información salió durante el entrenamiento.