El aprendizaje federado es un paradigma de aprendizaje automático colaborativo donde múltiples partes entrenan conjuntamente un modelo predictivo mientras mantienen sus datos. Por otro lado, el aprendizaje multi-etiqueta se ocupa de tareas de clasificación donde las instancias pueden pertenecer simultáneamente a múltiples clases. Este estudio introduce el concepto de Aprendizaje Federado Multi-Etiqueta (FMLL), combinando estos dos enfoques importantes. El enfoque propuesto aprovecha los principios del aprendizaje federado para abordar tareas de clasificación multi-etiqueta. Específicamente, adopta la estrategia de Relevancia Binaria (BR) para manejar la naturaleza multi-etiqueta de los datos y emplea el Árbol de Poda de Error Reducido (REPTree) como clasificador base. La efectividad del método FMLL se demostró mediante experimentos realizados en tres conjuntos de datos diversos dentro del contexto de la ciencia animal: Anfibios, Llamadas de Anuros (MFCCs) y HackerEarth-Adopt-A-Buddy. Las tasas de precisión alcanzadas en estos conjuntos de datos de animales fueron del 73.24%, 94.50% y 86.12%, respectivamente. En comparación con los métodos de vanguardia, FMLL mostró mejoras notables (superiores al 10%) en precisión promedio, precisión, recuperación y métricas F-score.