Este artículo se centra en la generalización de dominios (GD) en entornos distribuidos para abordar el problema de variación en la distribución de datos inherente al aprendizaje federado (FL) existente. Específicamente, buscamos superar las limitaciones de estudios previos, que carecen de un análisis matemático formal de la función objetivo de la GD y se limitan a topologías en estrella. Para ello, proponemos StyleDDG, un algoritmo de GD distribuido basado en el intercambio de información de estilos entre dispositivos. StyleDDG logra la GD compartiendo información de estilos inferida de conjuntos de datos entre dispositivos en una red peer-to-peer. Además, presentamos el primer enfoque sistemático para analizar el aprendizaje de GD basado en estilos en redes distribuidas. Modelamos StyleDDG incorporando algoritmos de GD centralizados existentes en el marco propuesto y derivamos condiciones analíticas que garantizan su convergencia. Experimentos con varios conjuntos de datos de GD demuestran que StyleDDG mejora significativamente la precisión en múltiples dominios objetivo con menos sobrecarga de comunicación en comparación con el descenso de gradiente distribuido convencional.
