La investigación sobre aprendizaje federado descentralizado se beneficia de una secuencia que avance del mapa al mecanismo y del mecanismo a la evidencia. La tesis doctoral sigue esa lógica: primero caracteriza el campo, después prueba la fiabilidad en un escenario operativo concreto y, finalmente, diseña un protocolo para clientes multimodales heterogéneos.
No es solo un orden cómodo de capítulos. Cada etapa reduce una incertidumbre diferente. Una revisión revela qué hipótesis se repiten en la literatura. Un estudio controlado muestra cómo se comportan bajo un modelo de amenaza. Un nuevo mecanismo comprueba si el protocolo puede resolver una limitación que sigue visible después de las dos primeras etapas.
Etapa 1: construir el mapa
La publicación de revisión organiza DFL alrededor de arquitecturas, componentes, topologías, comunicación, seguridad, privacidad, optimización, frameworks y aplicaciones. También pregunta cómo se evalúan los sistemas. El mapa es valioso porque la terminología puede ocultar responsabilidades distintas: dos trabajos pueden llamarse “descentralizados” y utilizar reglas de vecinos, semánticas de agregación o hipótesis de confianza diferentes.
Un resultado útil de esta etapa es una matriz de diseño:
| Pregunta | Ejemplos de respuesta |
|---|---|
| ¿Quién se comunica? | pares, clústeres o vecindades cambiantes |
| ¿Qué se comparte? | parámetros, gradientes, prototipos o estadísticas |
| ¿Cómo se decide la influencia? | pesos fijos, consenso o reglas conscientes de confianza |
| ¿Qué puede fallar? | enlaces, clientes, recursos, etiquetas o modalidades |
| ¿Cómo se mide el éxito? | calidad, coste, convergencia y resiliencia |
Etapa 2: elegir un escenario exigente
Flighter concreta el problema de fiabilidad en un escenario simulado de reconocimiento aéreo militar. Cuatro aeronaves equipadas con SAR colaboran mientras su formación, posición, comportamiento de interconexión y recursos pasan a formar parte del contexto. El experimento usa VGG16 y MSTAR, SAMPLE y OpenSARShip para hacer medible la discusión sobre amenazas.
Esta etapa evita que una afirmación de robustez se quede en abstracto. Obliga a definir indicadores, normalizarlos, compararlos con un umbral dinámico y decidir qué ocurre con una contribución cuya evidencia se debilita. También conserva una línea base sin el mecanismo adicional de situational awareness.
Etapa 3: abordar otra fuente de dificultad
La contribución Modalis pasa del contexto adversario a las observaciones heterogéneas. Los clientes pueden tener distribuciones de clase diferentes y modalidades distintas o ausentes. El protocolo intercambia prototipos compactos e incorpora placeholders contextuales, gating adaptativo, fusión multimodal y objetivos de alineación.
Los conjuntos de datos también son variados: AVMNIST, CREMA-D, UCI-HAR y CRISIS-MMD. Los experimentos principales usan 20 clientes en un grafo de Erdős-Rényi especificado, con sesgo de clase y probabilidades de modalidad ausente controlados. Esto hace interpretable la comparación y deja espacio para futuros trabajos sobre topología dinámica y despliegues reales.
Por qué es útil la secuencia
Las etapas comparten un vocabulario sin imponer una solución única a todos los problemas. La revisión identifica dimensiones de diseño. Flighter muestra que la fiabilidad operativa puede influir en la agregación descentralizada. Modalis muestra que el propio objeto intercambiado puede rediseñarse cuando compartir modelos completos no encaja con vistas parciales.
El resultado es un flujo de investigación reutilizable:
- mapear el espacio de diseño y hacer explícitas las hipótesis ocultas;
- seleccionar un mecanismo de fallo o heterogeneidad;
- definir un escenario con significado operativo;
- implementar el mecanismo mínimo que aborda la limitación;
- evaluar conjuntamente calidad, coste, recursos y fallos;
- declarar las condiciones fuera de las que no debe generalizarse el resultado.
Conectar las publicaciones
Los tres artículos están disponibles como revisión en IEEE Communications Surveys and Tutorials, estudio Flighter en IEEE Communications Magazine y estudio Modalis en Information Fusion. Leerlos como una secuencia hace visible la progresión sin tratar el mecanismo final como una respuesta universal.
La lección general es metodológica. La investigación en DFL gana credibilidad cuando conecta afirmaciones arquitectónicas, hipótesis de amenaza, heterogeneidad de datos y decisiones de medición. Un mapa sin experimento es demasiado abstracto. Un experimento sin mapa puede optimizar el problema equivocado. Un mecanismo sin límites claros puede sobrecomunicarse.
Esta nota es una síntesis editorial original de la estructura de la tesis y de sus tres publicaciones. No reproduce ningún artículo.
