Sistemas de aprendizaje entre nodos y semidescentralizados para entornos críticos de seguridad donde los datos brutos no pueden centralizarse.
El aprendizaje federado descentralizado (DFL) estudia cómo múltiples organizaciones, dispositivos o agentes pueden entrenar modelos de forma colaborativa sin mover los datos brutos a un servidor central. Es relevante cuando la centralización es impracticable, sensible legalmente o frágil a nivel operativo, como en defensa, IoT, monitorización industrial y ciberseguridad entre organizaciones.
Los escenarios DFL más complejos combinan datos no IID, dispositivos heterogéneos, conectividad intermitente y comportamiento adversario. Un sistema robusto debe decidir en qué pares confiar, cómo agregar información, cómo detectar actualizaciones maliciosas y cómo seguir aprendiendo cuando partes de la federación son inestables.
Los trabajos relacionados en este sitio cubren frameworks DFL, conciencia situacional, reputación, intercambio de prototipos, destilación de ensembles y monitorización de seguridad. El objetivo no es solo entrenar modelos distribuidos, sino hacer que su comportamiento sea comprensible, resiliente y útil en despliegues críticos de seguridad.
El aprendizaje federado estándar suele depender de un coordinador central. DFL elimina o reduce ese papel central para que los pares intercambien actualizaciones, modelos o representaciones directamente o mediante estructuras semidescentralizadas.
La ciberdefensa suele implicar telemetría sensible distribuida entre organizaciones o dispositivos. DFL puede apoyar la detección y mitigación colaborativa manteniendo la evidencia bruta en local.
Las barreras principales son pares poco fiables, datos no IID, límites de comunicación, clientes adversarios, riesgos de privacidad en las actualizaciones compartidas y falta de herramientas operativas maduras.
DEFENDIS desarrolla un marco para identificar de forma distribuida dispositivos IoT y abordar amenazas de seguridad mediante aprendizaje federado descentralizado.
Ver proyectoProyecto con el Cyber-Defence Campus de armasuisse que investiga el intercambio confiable de inteligencia de amenazas y algoritmos de verificación.
Ver proyectoColaboración completada con el Cyber-Defence Campus de armasuisse que desarrolló aprendizaje robusto, eficiente y adaptativo para sensores multimodales.
Ver proyectoDesarrolló soluciones de IA descentralizada para abordar restricciones computacionales y validación de confianza bajo patrocinio de armasuisse.
Ver proyectoAvanza desde los fundamentos hasta el diseño y la evaluación. Cada nota aborda una pregunta distinta.
Fundamentos de DFL: agregación entre pares, topologías, convergencia, privacidad y comunicación. Cuándo elegirlo frente a FL con servidor.
Diseña un sistema DFL con topología, contrato de mensajes, pesos de mezcla, políticas de recuperación y evaluación por cliente.
Mediana, trimmed mean y confianza en DFL: ejemplos, límites locales frente a poisoning y coste de la defensa con datos non-IID.
Compara modelos y prototipos en DFL: bytes por mensaje, coste acumulado, cuantización y calidad objetivo bajo restricciones de red.
Este sitio carga analítica opcional de Google y proveedores externos de analítica solo si aceptas. Puedes rechazarla y seguir usando la web con normalidad.