Este documento ofrece una visión general del Aprendizaje Federado (AF), que se ha convertido en un paradigma innovador en el campo del aprendizaje automático distribuido. El aprendizaje federado permite que múltiples clientes, como dispositivos móviles, nodos de borde u organizaciones, aprendan colaborativamente un modelo global compartido sin necesidad de centralizar datos confidenciales. Este enfoque descentralizado resulta especialmente atractivo en áreas como la salud, las finanzas y los sistemas inteligentes de IoT, ya que aborda la creciente preocupación por la privacidad, la seguridad y el cumplimiento normativo de los datos. Partiendo de la arquitectura central y los protocolos de comunicación del Aprendizaje Federado, analizamos los principales desafíos técnicos, como el ciclo de vida estándar del FL (incluido el aprendizaje local, la agregación de modelos y las actualizaciones globales), la gestión de datos no IID (no independientes ni distribuidos de forma idéntica), la mitigación de la heterogeneidad del sistema y del hardware, la reducción de la sobrecarga de comunicación y la garantía de la privacidad mediante mecanismos como la privacidad diferencial y la agregación segura. También investigamos tendencias emergentes en la investigación de FL, incluyendo FL personalizado, configuraciones entre dispositivos versus entre tiempos reales, integración con otros paradigmas como el aprendizaje de refuerzo y la computación cuántica, resumimos conjuntos de datos de referencia y métricas de evaluación comúnmente utilizadas en aplicaciones del mundo real e investigación de FL, y sugerimos problemas de investigación abiertos y direcciones futuras para desarrollar sistemas de FL escalables, eficientes y confiables.
