Privacidad y seguridad en sistemas de aprendizaje federado: revisión de métodos y desafíos computacionales

Autores/as

DOI:

https://doi.org/10.63862/rhs-v1n4-356-381-2026

Palabras clave:

Aprendizaje federado, privacidad diferencial, agregación segura, seguridad informática, ataques de inferencia, aprendizaje distribuido

Resumen

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

Los datos de descarga aún no están disponibles.

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

Descargas

Publicado

2026-11-21

Cómo citar

Privacidad y seguridad en sistemas de aprendizaje federado: revisión de métodos y desafíos computacionales. (2026). Revista Hambatu Science, 1(4), 356-381. https://doi.org/10.63862/rhs-v1n4-356-381-2026

Artículos más leídos del mismo autor/a