Tutorial

26th European Conference on Artificial Intelligence (ECAI 2023)

Decentralized Federated Learning: Enabling Collaborative AI With Enhanced Trust and Efficiency

Tutorial en congreso sobre aprendizaje federado descentralizado: fundamentos, arquitecturas, seguridad, privacidad y experimentación práctica, presentado en ECAI 2023.

Aprendizaje federado descentralizadoAprendizaje federadoPrivacidadIA confiable

Resumen

Este tutorial examina el aprendizaje federado descentralizado como enfoque de inteligencia artificial colaborativa. Aborda fundamentos, arquitecturas, componentes, comunicación, seguridad, privacidad y optimización. La experimentación práctica conecta estos conceptos con la configuración y evaluación de federaciones, mientras los escenarios de aplicación y los retos de investigación abiertos aportan contexto para evaluar confianza y eficiencia. La sesión se celebró en ECAI 2023, en Cracovia, Polonia, el 30 de septiembre de 2023.

Autores

Alberto Huertas CeldránEnrique Tomás Martínez BeltránPedro Miguel Sánchez SánchezGérôme BovetGregorio Martínez PérezBurkhard Stiller

Palabras clave

Aprendizaje federado descentralizadoAprendizaje federadoPrivacidadIA confiable

Publicaciones relacionadas

Publicaciones relacionadas por tema, método o aplicación.

Prepublicación2021

Journal of Healthcare Engineering

Breaching Subjects’ Thoughts Privacy: A Study with Visual Stimuli and Brain-Computer Interfaces

Mario Quiles Pérez, Enrique Tomás Martínez Beltrán, Sergio López Bernal, Alberto Huertas Celdrán, Gregorio Martínez Pérez

Brain-computer interfaces (BCIs) started being used in clinical scenarios, reaching nowadays new fields such as entertainment or learning. Using BCIs, neuronal activity can be monitored for various purposes, with the...

Artículo de revista2026

Information Fusion

Decentralized Federated Learning with Multimodal Prototypes for Heterogeneous Data

Enrique Tomás Martínez Beltrán, Gérôme Bovet, Gregorio Martínez Pérez, Alberto Huertas Celdrán

Modalis aborda clientes con modalidades diferentes o ausentes en aprendizaje descentralizado. Intercambia prototipos compactos de clase y alinea representaciones locales para colaborar con datos heterogéneos.

Artículo de revista2026

Future Generation Computer Systems

FedEnD: Communication-efficient Federated Learning for non-IID data via decentralized ensemble distillation

Enrique Tomás Martínez Beltrán, Philip Giryes, Gérôme Bovet, Burkhard Stiller, Gregorio Martínez Pérez, Alberto Huertas Celdrán

FedEnD aborda la heterogeneidad de datos y el coste de comunicación del aprendizaje federado. Los clientes entrenan especialistas locales, los intercambian una vez y destilan un ensemble ponderado con sus propios datos, sin un conjunto público auxiliar.

Investigación relacionada