Con el rápido desarrollo de las redes 6G, la velocidad de transmisión de datos ha aumentado significativamente, lo que hace que los problemas de protección de la privacidad de los datos sean aún más cruciales. El aprendizaje federado (FL) es un marco de aprendizaje automático distribuido con protección de la privacidad y tecnología de cifrado segura, destinado a permitir que los participantes dispersos colaboren en el entrenamiento de modelos sin revelar datos privados a otros participantes. Sin embargo, investigaciones recientes indican que el intercambio de gradientes compartidos puede llevar a la divulgación de información, por lo que FL aún necesita abordar las preocupaciones de privacidad. Además, FL se basa en una gran cantidad de datos de entrenamiento diversos para forjar modelos eficientes, pero en realidad, los datos de entrenamiento disponibles para los clientes son limitados, y los problemas de desequilibrio de datos conducen al sobreajuste en los modelos de aprendizaje federado existentes. Para aliviar estos problemas, presentamos un Nuevo Marco de Aprendizaje Federado basado en Redes Generativas Adversarias Condicionales (NFL-CGAN). NFL-CGAN divide las redes locales de cada cliente en módulos privados y públicos. El módulo privado contiene un extractor y un discriminador para proteger la privacidad al mantenerlos localmente. Por el contrario, el módulo público se comparte con el servidor para agregar el conocimiento compartido de los clientes, mejorando así el rendimiento de cada red local del cliente. Análisis experimentales exhaustivos demuestran que NFL-CGAN supera a los métodos de referencia tradicionales de FL en clasificación de datos, mostrando su eficacia superior. Además, las evaluaciones de privacidad también verificaron las capacidades de protección de la privacidad sólidas y confiables de NFL-CGAN.