Privacidad y seguridad en sistemas de aprendizaje federado: revisión de métodos y desafíos computacionales
DOI:
https://doi.org/10.63862/rhs-v1n4-356-381-2026Palabras clave:
Aprendizaje federado, privacidad diferencial, agregación segura, seguridad informática, ataques de inferencia, aprendizaje distribuidoResumen
El aprendizaje federado permite entrenar modelos mediante información distribuida sin concentrar necesariamente los registros originales. Sin embargo, el intercambio de parámetros, la coordinación entre participantes y la exposición a actores maliciosos introducen riesgos que no desaparecen por mantener los datos en origen. El objetivo de este trabajo es examinar los principales métodos de protección de la privacidad y la seguridad en sistemas de aprendizaje federado, así como sus limitaciones y desafíos computacionales. Se realizó una revisión narrativa estructurada con búsqueda bibliográfica orientada en fuentes académicas de acceso verificable y análisis temático de investigaciones fundacionales, artículos metodológicos y revisiones. Los resultados distinguen ataques de inferencia y reconstrucción, envenenamiento de datos o modelos, puertas traseras y amenazas al servidor; asimismo, comparan privacidad diferencial, agregación segura, optimización robusta y mecanismos de verificación. La literatura indica que ninguna técnica aislada protege de manera completa la confidencialidad, integridad y disponibilidad del entrenamiento. La protección depende del modelo de amenaza, la arquitectura y los costos de comunicación, precisión y cómputo. Se concluye que el diseño de sistemas confiables exige defensas complementarias, métricas explícitas y experimentos reproducibles ajustados a las características de cada despliegue.
Descargas
Referencias
Chen, W.-N., Choo, C. A. C., Kairouz, P., & Suresh, A. T. (2022). The fundamental price of secure aggregation in differentially private federated learning. Proceedings of Machine Learning Research, 162, 3056–3089. https://proceedings.mlr.press/v162/chen22c.html
Chen, W.-N., Cormode, G., Bharadwaj, A., Romov, P., & Ozgur, A. (2024). Federated experiment design under distributed differential privacy. Proceedings of Machine Learning Research, 238, 2458–2466. https://proceedings.mlr.press/v238/chen24c.html
Girgis, A., Data, D., Diggavi, S., Kairouz, P., & Suresh, A. T. (2021). Shuffled model of differential privacy in federated learning. Proceedings of Machine Learning Research, 130, 2521–2529. https://proceedings.mlr.press/v130/girgis21a.html
Kairouz, P., McMahan, H. B., Avent, B., et al. (2021). Advances and open problems in federated learning. Foundations and Trends in Machine Learning, 14(1–2), 1–210. https://doi.org/10.1561/2200000083
Karimireddy, S. P., Kale, S., Mohri, M., Reddi, S., Stich, S., & Suresh, A. T. (2020). SCAFFOLD: Stochastic controlled averaging for federated learning. Proceedings of Machine Learning Research, 119, 5132–5143. https://proceedings.mlr.press/v119/karimireddy20a.html
Kerkouche, R., Ács, G., Castelluccia, C., & Genevès, P. (2021). Constrained differentially private federated learning for low-bandwidth devices. Proceedings of Machine Learning Research, 161, 1756–1765. https://proceedings.mlr.press/v161/kerkouche21a.html
Lowy, A., Ghafelebashi, A., & Razaviyayn, M. (2023). Private non-convex federated learning without a trusted server. Proceedings of Machine Learning Research, 206, 5749–5786. https://proceedings.mlr.press/v206/lowy23a.html
Ma, X., & Yan, M. (2024). Research progress on security and privacy of federated learning: A survey. Wireless Personal Communications, 136(4), 2201–2242. https://doi.org/10.1007/s11277-024-11372-0
Mangold, P., Durmus, A., Dieuleveut, A., & Moulines, E. (2025). Scaffold with stochastic gradients: New analysis with linear speed-up. Proceedings of Machine Learning Research, 267, 42902–42946. https://proceedings.mlr.press/v267/mangold25a.html
Manzoor, H. U., Shabbir, A., Chen, A., Flynn, D., & Zoha, A. (2024). A survey of security strategies in federated learning: Defending models, data, and privacy. Future Internet, 16(10), Article 374. https://doi.org/10.3390/fi16100374
McMahan, B., Moore, E., Ramage, D., Hampson, S., & Agüera y Arcas, B. (2017). Communication-efficient learning of deep networks from decentralized data. Proceedings of Machine Learning Research, 54, 1273–1282. https://proceedings.mlr.press/v54/mcmahan17a.html
Mothukuri, V., Parizi, R. M., Pouriyeh, S., Huang, Y., Dehghantanha, A., & Srivastava, G. (2021). A survey on security and privacy of federated learning. Future Generation Computer Systems, 115, 619–640. https://doi.org/10.1016/j.future.2020.10.007
Nguyen, J., Malik, K., Zhan, H., Yousefpour, A., Rabbat, M., Malek, M., & Huba, D. (2022). Federated learning with buffered asynchronous aggregation. Proceedings of Machine Learning Research, 151, 3581–3607. https://proceedings.mlr.press/v151/nguyen22b.html
Saha, S., Hota, A., Chattopadhyay, A. K., Nag, A., & Nandi, S. (2024). A multifaceted survey on privacy preservation of federated learning: Progress, challenges, and opportunities. Artificial Intelligence Review, 57, Article 184. https://doi.org/10.1007/s10462-024-10766-7
Zheng, Q., Chen, S., Long, Q., & Su, W. (2021). Federated f-differential privacy. Proceedings of Machine Learning Research, 130, 2251–2259. https://proceedings.mlr.press/v130/zheng21a.html
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Francisco Ricardo Baños Solis, Adelina Martínez Nieto, Maricarmen Montserrat Velázquez Hernández

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.







