El aprendizaje federado (FL) permite el entrenamiento colaborativo de un modelo colectivo por un gran número de clientes descentralizados mientras se asegura de que los datos de estos clientes permanezcan privados y no se compartan. En situaciones prácticas, los datos de entrenamiento utilizados en FL a menudo presentan características no IID, lo que disminuye la eficacia de FL. Nuestro estudio presenta un novedoso algoritmo de FL preservando la privacidad, HW-DPFL, que aprovecha la similitud en la distribución de etiquetas de datos como base para su diseño. Nuestro enfoque propuesto logra este objetivo sin incurrir en comunicaciones adicionales. En este estudio, proporcionamos evidencia para respaldar la afirmación de que nuestro enfoque mejora la garantía de privacidad y la convergencia de FL tanto teórica como empíricamente.