El aprendizaje federado es un método de aprendizaje distribuido utilizado para resolver los silos de datos y la protección de la privacidad en el aprendizaje automático, con el objetivo de entrenar modelos globales juntos a través de múltiples clientes sin compartir datos. Sin embargo, el aprendizaje federado en sí mismo introduce ciertas amenazas de seguridad, lo que plantea desafíos significativos en sus aplicaciones prácticas. Este artículo se centra en los riesgos de seguridad comunes de la contaminación de datos durante la fase de entrenamiento de los clientes de aprendizaje federado.