A medida que el aprendizaje federado continúa aumentando en escala, el impacto causado por la heterogeneidad de dispositivos y datos se vuelve más severo. FedProx, como algoritmo de comparación, se utiliza ampliamente como solución para abordar la heterogeneidad del sistema y la heterogeneidad estadística en varios escenarios. Sin embargo, no hay trabajos que investiguen de manera integral las mejoras que FedProx puede aportar a los algoritmos actuales de federación segura en términos de protección de la privacidad. En este documento, combinamos la privacidad diferencial y la privacidad diferencial personalizada con FedProx, proponemos los algoritmos DP-Prox y PDP-Prox bajo diferentes configuraciones de presupuesto de privacidad y simulamos los algoritmos en múltiples conjuntos de datos. Los experimentos muestran que los algoritmos propuestos no solo mejoran significativamente la convergencia de los algoritmos de privacidad bajo diferentes condiciones de heterogeneidad, sino que también logran una precisión similar o incluso mejor que el algoritmo base.