Este artículo presenta un enfoque novedoso para lograr equidad, preservando la privacidad, en el aprendizaje federado (FL), denominado aprendizaje federado alineado con la curvatura (CAFe). A diferencia de los métodos de equidad de FL existentes, que se basan en información sensible de atributos, CAFe introduce el concepto de "equidad sin datos demográficos (FWD)" para lograr equidad sin información sensible de atributos. CAFe alinea las curvaturas dentro y entre clientes mediante la regularización de la curvatura del terreno de pérdida durante el aprendizaje local y la agregación entre clientes, teniendo en cuenta la nitidez del terreno de pérdida, para optimizar el equilibrio entre equidad y rendimiento. Verificamos la eficacia y la viabilidad de CAFe mediante experimentos en un entorno real de implementación de FL con diversos conjuntos de datos reales y dispositivos con recursos limitados.
