El aprendizaje federado (FL) revoluciona el aprendizaje automático colaborativo entre dispositivos de Internet de las cosas (IoT) al permitirles entrenar modelos de manera colectiva mientras se preserva la privacidad de los datos. Los algoritmos de FL se dividen en dos categorías principales: sincrónicos y asincrónicos. Mientras que el FL sincrónico maneja eficientemente los dispositivos rezagados, su velocidad de convergencia y precisión del modelo pueden verse comprometidas. En contraste, el FL asincrónico permite que todos los dispositivos participen pero incurre en altos costos de comunicación y en un posible envejecimiento del modelo. Para superar estas limitaciones, el documento introduce un marco de trabajo de FL semi-sincrónico que utiliza niveles de clientes basados en latencias de cómputo y comunicación. Los clientes en diferentes niveles cargan sus modelos locales a frecuencias distintas, logrando un equilibrio entre la mitigación de dispositivos rezagados y los costos de comunicación. A partir de esto, el documento propone el algoritmo de aprendizaje semi-sincrónico DecantFed, que optimiza de manera dinámica la agrupación de clientes, la asignación de ancho de banda y el entrenamiento local para maximizar las tasas de procesamiento de muestras de datos en FL. DecantFed optimiza de forma dinámica la agrupación de clientes, la asignación de ancho de banda y las cargas de trabajo de entrenamiento local para maximizar las tasas de procesamiento de datos en FL. Además, adapta las tasas de aprendizaje de los clientes según sus niveles, abordando así el problema del envejecimiento del modelo. Simulaciones extensas utilizando conjuntos de datos de referencia como MNIST y CIFAR-10, en escenarios IID y no-IID, demuestran el rendimiento superior de DecantFed. Supera a FedAvg y FedProx en velocidad de convergencia y ofrece al menos un 28% de mejora en la precisión del modelo, en comparación con FedProx.