El aprendizaje federado (FL) es un proceso descentralizado que preserva la privacidad de los datos, permitiendo que los dispositivos locales de borde de infraestructuras inteligentes entrenen un modelo colaborativo de forma independiente mientras mantienen los datos localizados. Los algoritmos de FL, que abarcan un promedio bien estructurado de los parámetros de entrenamiento (por ejemplo, los pesos y sesgos resultantes de las variantes de descenso de gradiente estocástico basado en entrenamiento), se enfrentan a muchos desafíos, como la comunicación costosa, la heterogeneidad de sistemas, la heterogeneidad estadística y las preocupaciones de privacidad.