En este artículo, proponemos zkFL, un nuevo marco de trabajo para la protección contra comportamientos maliciosos de agregadores centralizados en el Aprendizaje Federado (FL). El FL actual depende de la confiabilidad del agregador central, pero un agregador malicioso puede modificar arbitrariamente el modelo de aprendizaje de los clientes o manipular los resultados insertando clientes falsos. zkFL previene comportamientos maliciosos de los agregadores durante el proceso de agregación mediante el uso de pruebas de conocimiento cero. El agregador comprueba el resultado correcto de la agregación en cada ronda y reduce el costo de verificación de los clientes mediante el uso de blockchain. Esto proporciona mayor seguridad y privacidad en comparación con el FL actual, a la vez que mantiene el rendimiento sin modificar la estructura de la red de FL ni reducir la velocidad de aprendizaje.
