Este artículo estudia el aprendizaje federado con preservación de la privacidad (PPFL), que entrena un modelo global utilizando datos de múltiples clientes, preservando al mismo tiempo la privacidad. Para superar las limitaciones de los protocolos PPFL existentes, como la baja precisión, la necesidad de compartir claves y la necesidad de cooperación durante la generación o el descifrado de claves, proponemos un nuevo protocolo PPFL que utiliza redes neuronales. Este protocolo incorpora redes antagónicas homomórficas (HAN) que integran un esquema de cifrado híbrido agregable adaptado a los requisitos de PPFL. Realiza tareas similares al cifrado homomórfico multiclave (MK-HE), a la vez que resuelve problemas de distribución de claves y descifrado colaborativo. Los resultados experimentales demuestran que las HAN son robustas frente a ataques a la privacidad, presentan una pérdida de precisión mínima (hasta un 1,35 %) en comparación con el aprendizaje federado sin preservación de la privacidad y alcanzan una velocidad de agregación de cifrado 6075 veces superior a la de los esquemas MK-HE existentes, pero con un aumento de 29,2 veces en la sobrecarga de comunicación.
