El aprendizaje federado (FL) logra un equilibrio entre la preservación de la privacidad y el entrenamiento colaborativo de modelos. Sin embargo, la transmisión periódica de actualizaciones de modelos o parámetros de cada cliente al servidor federado incurre en una sobrecarga de comunicación sustancial, especialmente para los participantes con ancho de banda de red limitado. Esta sobrecarga dificulta significativamente la aplicabilidad práctica del FL en escenarios del mundo real.