El Aprendizaje Federado (FL) permite el entrenamiento colaborativo de modelos entre usuarios distribuidos, preservando la privacidad de los datos al compartir solo las actualizaciones del modelo. Sin embargo, la agregación segura, esencial para prevenir la fuga de datos durante este proceso, a menudo conlleva costos significativos de comunicación y computación. Además, los esquemas existentes rara vez consideran si pueden resistir los ataques cuánticos. Para abordar estos desafíos, proponemos un protocolo de agregación eficiente post-cuántico basado en una Función Pseudo-Aleatoria Homomórfica de Clave (KHPRF). Nuestro mecanismo de eliminación de máscara no interactivo reduce la agregación a una sola ronda, minimizando significativamente la sobrecarga de comunicación. Además, las claves KHPRF son reutilizables, lo que permite múltiples agregaciones con una inicialización única, mejorando así la eficiencia en el aprendizaje federado entre silos. En comparación con los esquemas existentes, nuestro enfoque logra una agregación resistente a los ataques cuánticos con una eficiencia mejorada.