El Aprendizaje Federado (FL), como un método distribuido de aprendizaje automático, es particularmente adecuado para entrenar modelos que requieren grandes cantidades de datos al tiempo que cumplen con requisitos de privacidad y seguridad de datos cada vez más estrictos. Aunque el FL protege efectivamente la privacidad de los participantes al evitar el intercambio de datos en bruto, equilibrar los riesgos de fuga de privacidad con el rendimiento del modelo sigue siendo un desafío significativo. Para abordar esto, este documento propone un nuevo algoritmo, FL-APB (Aprendizaje Federado con Equilibrio de Privacidad-Rendimiento Adversario). Este algoritmo combina el entrenamiento adversario con mecanismos de protección de privacidad para ajustar dinámicamente los presupuestos de privacidad y rendimiento, optimizando el equilibrio entre los dos al tiempo que mejora y garantiza el rendimiento. Los resultados experimentales demuestran que el algoritmo FL-APB mejora significativamente el rendimiento del modelo en varios escenarios de entrenamiento adversario, al tiempo que protege efectivamente la privacidad de los participantes a través del entrenamiento adversario de datos de privacidad.