La contaminación del aire representa riesgos importantes para la salud pública, impulsando la adopción de redes de sensores de bajo costo (LCS) para un monitoreo detallado y en tiempo real. Sin embargo, la variable precisión de los datos de LCS en comparación con los instrumentos de referencia requiere marcos de control de calidad (QC) robustos. En la última década, el aprendizaje automático (ML) ha surgido como una herramienta poderosa para calibrar sensores, detectar anomalías y mitigar el desplazamiento en implementaciones a gran escala. Esta encuesta revisa los avances en tres categorías metodológicas: modelos tradicionales de ML, arquitecturas de aprendizaje profundo y métodos híbridos o no supervisados. También examinamos marcos de QC espaciotemporales que explotan redundancias a través del tiempo y el espacio, así como implementaciones en tiempo real basadas en arquitecturas de borde-nube. Las aplicaciones incluyen el monitoreo de la exposición personal, la integración con simulaciones atmosféricas y el apoyo a la toma de decisiones políticas. A pesar de estos logros, persisten varios desafíos. Los modelos tradicionales son ligeros pero a menudo no logran generalizar en diferentes contextos, mientras que los modelos de aprendizaje profundo alcanzan una mayor precisión pero requieren grandes conjuntos de datos y siguen siendo difíciles de interpretar. Los enfoques espaciotemporales mejoran la robustez pero enfrentan limitaciones de escalabilidad, y los sistemas en tiempo real deben equilibrar la eficiencia computacional con la precisión. Una adopción más amplia también requerirá estándares claros, cuantificación de incertidumbre confiable y confianza sostenida en los datos corregidos. En resumen, el QC basado en ML muestra un gran potencial pero aún está limitado por la calidad de los datos, la transferibilidad y las brechas de gobernanza. El trabajo futuro debería integrar el conocimiento físico con ML, aprovechar el aprendizaje federado para la escalabilidad y establecer puntos de referencia regulatorios. Abordar estos desafíos permitirá que el QC impulsado por ML proporcione datos confiables y de alta resolución que apoyen directamente políticas basadas en la ciencia y la salud pública.