Un método tradicional centralizado de entrenamiento de modelos de IA ha sido puesto a prueba por la aparición de almacenes de datos y preocupaciones públicas sobre la privacidad. Para superar estos problemas, se introdujo el enfoque de aprendizaje federado (FL). FL emplea una arquitectura de privacidad por diseño para entrenar redes neuronales profundas utilizando datos descentralizados, en la que numerosos dispositivos construyen colectivamente cualquier sistema de aprendizaje automático que no revele la información personal de los usuarios bajo la supervisión de un servidor centralizado. Aunque el aprendizaje federado (FL), como estrategia de aprendizaje automático (ML), puede ser efectivo para salvaguardar la confidencialidad de los datos locales, también es vulnerable a ataques. El creciente interés en el dominio de FL nos inspiró a escribir este artículo, que informa a los lectores sobre las numerosas amenazas y fallos en la estrategia de aprendizaje federado, e introduce un mecanismo de defensa múltiple que puede ser empleado para repeler amenazas.