El aprendizaje federado es un método de aprendizaje automático distribuido ampliamente aplicado que protege eficazmente la privacidad del cliente al compartir y calcular los parámetros del modelo en el lado del servidor, evitando así la transferencia de datos a terceros. Sin embargo, la información como los pesos del modelo aún puede ser analizada o atacada, lo que puede provocar posibles violaciones de la privacidad. Los métodos tradicionales de aprendizaje federado a menudo perturban los modelos agregando ruido gaussiano o laplaciano, pero bajo presupuestos de privacidad más pequeños, la gran varianza del ruido afecta negativamente la precisión del modelo. Para abordar este problema, este documento propone un Mecanismo de Partición Simétrica (SPM), que perturba probabilísticamente el signo de los parámetros de peso del modelo local antes de la agregación del modelo. Este mecanismo satisface la privacidad diferencial e introduce un mecanismo de restricción de varianza que reduce efectivamente el impacto de la interferencia del ruido en el rendimiento del modelo. En comparación con los métodos tradicionales, SPM genera una varianza más pequeña bajo el mismo presupuesto de privacidad, mejorando así la precisión del modelo y siendo aplicable a escenarios con diferentes cantidades de clientes. A través de un análisis teórico y una validación experimental en múltiples conjuntos de datos, este documento demuestra la efectividad y las capacidades de protección de la privacidad del mecanismo propuesto.