Aprendizaje automático: un enfoque a la Computación Federada

Ante las crecientes preocupaciones sobre la privacidad y el incremento en el volumen de datos en la sociedad actual, la computación federada ha ganado un gran número de seguidores y ha adquirido mayor relevancia. Este enfoque permite el entrenamiento colaborativo de modelos sin que los datos salgan de las entidades locales.
Esta situación proporciona una sólida motivación para llevar a cabo una exhaustiva revi- sión de la literatura existente, que pueda servir como referencia para futuras investigaciones. En dicha revisión se abordan los fundamentos de la computación federada, se discute el diseño ar- quitectónico del sistema, se examinan sus componentes involucrados y se exploran los patrones arquitectónicos utilizados. Además, se presta especial atención a la preservación de la privaci- dad, analizando diversas técnicas de seguridad como la privacidad diferencial, la computación segura de múltiples partes y el cifrado homomórfico. También se exploran los posibles ataques en el aprendizaje federado.
El trabajo concluye con una visión de las futuras tendencias y aplicaciones en el campo de la computación federada, ofreciendo una perspectiva sobre cómo esta tecnología podría evolu- cionar en el futuro y cómo podría aplicarse en diversos sectores. Además, se destaca una prueba de concepto que se encuentra en desarrollo, lo cual muestra el interés y la dedicación por llevar los conceptos teóricos de la computación federada a la práctica. A través de estas conclusiones, se busca brindar una visión integral del potencial y las posibilidades que esta disciplina tiene para ofrecer en el ámbito del entrenamiento de modelos de aprendizaje automático distribuido.

Given the growing concerns about privacy and the increasing volume of data in today’s society, federated computing has gained a large number of followers and has become more relevant. This approach allows for collaborative model training without the data leaving local entities.
This situation provides a strong motivation for conducting a comprehensive review of the existing literature, which can serve as a reference for future research. The review addresses the fundamentals of federated computing, discusses the system’s architectural design, examines its involved components, and explores the architectural patterns used. Special attention is also given to privacy preservation, analyzing various security techniques such as differential privacy, secure multi-party computation, and homomorphic encryption. Potential attacks in federated learning are also explored.
The work concludes with a vision of future trends and applications in the field of federated computing, providing insights into how this technology could evolve in the future and be ap- plied across various sectors. Additionally, an ongoing proof of concept is highlighted, demons- trating the interest and dedication in bridging the theoretical concepts of federated computing with practical implementation. Through these conclusions, the aim is to provide a comprehen- sive view of the potential and possibilities that this discipline offers in the realm of distributed machine learning model training.