En este estudio, presentamos un enfoque de aprendizaje federado que combina una red de múltiples ramas y el algoritmo de selección de cliente de Oort para mejorar el rendimiento de los sistemas de aprendizaje federado. Este método aborda con éxito el problema significativo de los datos no iid, un desafío que no se aborda adecuadamente con el método MFedAvg comúnmente utilizado. Además, una de las innovaciones clave de esta investigación es la introducción de la uniformidad, una métrica que cuantifica la disparidad en el tiempo de entrenamiento entre los participantes en una configuración de aprendizaje federado. Este concepto novedoso no solo ayuda a identificar rezagados, sino que también proporciona información valiosa para evaluar la equidad y eficiencia del sistema. Los resultados experimentales subrayan los méritos de la red de múltiples ramas integrada con el algoritmo de selección de cliente de Oort y resaltan el papel crucial de la uniformidad en el diseño y evaluación de sistemas de aprendizaje federado.