Este artículo explora la aplicación aún no explorada del aprendizaje federado (AF) en tareas no relacionadas con la clasificación, como la estimación de la postura humana, garantizando al mismo tiempo la privacidad de los datos del usuario en sistemas distribuidos. Específicamente, abordamos el problema de la "deriva de resolución", donde el rendimiento se degrada debido a las variaciones de resolución entre clientes, y proponemos un método de aprendizaje federado adaptativo a la resolución (RAF) que utiliza la destilación de conocimiento basada en mapas de calor para abordar este problema. El RAF mejora la robustez de la resolución sin sobreajuste mediante la destilación de conocimiento multirresolución entre resultados de alta resolución (profesor) y de baja resolución (estudiante). Amplios experimentos y análisis teóricos demuestran que el RAF mitiga eficazmente la deriva de resolución, mejora significativamente el rendimiento y puede integrarse sin problemas en los marcos de aprendizaje federado existentes. Además, el análisis t-SNE revela las diferencias entre las tareas de clasificación y representación de alta resolución, lo que respalda la generalización del RAF.
