Este artículo presenta un método novedoso, el Entrenamiento Cruzado Federado (FedCT), que mejora las estrategias de entrenamiento cruzado en el aprendizaje federado. Para abordar las limitaciones del entrenamiento cruzado existente, como la incompatibilidad de los objetivos de optimización y la heterogeneidad del espacio de características debido a las diferencias en la distribución de los datos, el método aprovecha la destilación de conocimiento desde perspectivas tanto locales como globales. Concretamente, consta de tres módulos: un módulo de propagación de conocimiento con conciencia de consistencia, un módulo de aprendizaje de representación guiado por conocimiento multiperspectiva y un módulo de aumento de características basado en mixup. Estos módulos preservan el conocimiento local, mantienen la consistencia entre el conocimiento local y el global, y aumentan la diversidad del espacio de características, mejorando así el rendimiento. Los resultados experimentales, utilizando cuatro conjuntos de datos, muestran que FedCT supera a los métodos de vanguardia existentes.
