La computación en la nube y las tecnologías emergentes relevantes han presentado métodos ordinarios para procesar datos generados en el borde de manera centralizada. Actualmente, hay una tendencia a descargar tareas de procesamiento lo más cerca posible del borde para reducir los costos y el ancho de banda de la red utilizado. En esta dirección, encontramos esfuerzos que materializan este paradigma al introducir métodos de aprendizaje profundo distribuido y el llamado Aprendizaje Federado (FL). Tales arquitecturas distribuidas son activos valiosos en términos de gestión eficiente de recursos y obtención de predicciones que pueden ser utilizadas para la adaptación proactiva de aplicaciones distribuidas. En este trabajo, nos enfocamos en funciones de pérdida locales de aprendizaje profundo en entornos multi-nube. Introducimos el sistema MulticloudFL que mejora la precisión de las predicciones, en entornos dinámicos, al aplicar dos nuevos métodos que mejoran la precisión de las métricas de monitoreo de aplicaciones y recursos. El rendimiento del algoritmo propuesto se evalúa a través de varios experimentos que confirman la calidad y los beneficios del sistema MulticloudFL, ya que mejora la precisión de las predicciones en datos de series temporales mientras reduce los requisitos de ancho de banda y los riesgos de privacidad durante el proceso de entrenamiento.