A medida que las aplicaciones de IA se integran cada vez más en la vida diaria, proteger la privacidad del usuario mientras se habilita el entrenamiento colaborativo del modelo se ha convertido en un desafío crucial, especialmente en entornos descentralizados de computación en el borde. Los enfoques tradicionales de aprendizaje federado (FL), que dependen de la agregación de modelos centralizados, luchan en tales configuraciones debido a limitaciones de ancho de banda, heterogeneidad de datos y capacidades variables de dispositivos entre nodos en el borde. Para abordar estos problemas, proponemos PearFL, un marco de FL descentralizado que mejora la colaboración y la generalización del modelo al introducir mecanismos de intercambio de prototipos. PearFL permite que cada cliente comparta información de prototipos livianos con sus vecinos, minimizando la sobrecarga de comunicación y mejorando la consistencia del modelo en dispositivos distribuidos. Evaluaciones experimentales en conjuntos de datos de referencia, incluidos MNIST, CIFAR-10 y CIFAR-100, demuestran que PearFL logra una eficiencia de comunicación, velocidad de convergencia y precisión superiores en comparación con los métodos de FL convencionales. Estos resultados confirman la eficacia de PearFL como una solución escalable para el aprendizaje descentralizado en entornos heterogéneos y con recursos limitados.