Nace en Murcia en 1998. En 2020 obtiene el Grado en Ingeniería Informática por la Universidad de Murcia y, un año después, el Máster Universitario en Nuevas Tecnologías en Informática por la misma institución. En 2026 obtiene el título de Doctor en Informática, con mención internacional y la calificación de sobresaliente cum laude, tras defender la tesis titulada Robust Decentralized Federated Learning in Heterogeneous Environments. Desde 2020 forma parte del Cybersecurity and Data Science Laboratory (CyberDataLab) de la Universidad de Murcia, donde desarrolla su actividad investigadora en los ámbitos de la ciberseguridad, la inteligencia artificial y el aprendizaje federado descentralizado. Ha participado en diversos proyectos nacionales e internacionales, entre los que destacan VALKYRIES, Hexa-X-II, ECYSAP EYE y COBRA, así como en varios contratos de investigación financiados directamente por el Ministerio de Defensa de Suiza a través de su colaboración con armasuisse. Asimismo, ha realizado estancias de investigación en el Cyber-Defence Campus de armasuisse y en la Universidad de Zúrich. Es autor de numerosas publicaciones científicas en revistas internacionales de prestigio. Su lengua materna es el español y posee conocimientos de inglés.
La tesis investiga el Aprendizaje Federado Descentralizado (Decentralized Federated Learning, DFL) como paradigma colaborativo sin una entidad central de agregación ni centralización de los datos locales. Aunque puede mitigar cuellos de botella, puntos únicos de fallo y dependencias de confianza del Aprendizaje Federado Centralizado, la descentralización distribuye entre los nodos las responsabilidades de comunicación, agregación, coordinación y evaluación de la fiabilidad. Su aplicación está condicionada por la heterogeneidad estadística y multimodal, las modalidades ausentes, la conectividad cambiante, la adversarialidad y las restricciones de comunicación.
La tesis aporta una caracterización fundacional de DFL mediante el análisis de arquitecturas, topologías, comunicaciones, seguridad, privacidad, métricas, escenarios y retos abiertos. Este estudio muestra que DFL no se limita a eliminar el servidor central, sino que requiere mecanismos propios de coordinación, confianza, robustez y evaluación.
A partir de esta base, se estudia cómo la conciencia situacional puede reforzar la fiabilidad del aprendizaje descentralizado en escenarios dinámicos y adversariales, combinando información sobre los modelos, el contexto operativo, los recursos y la interconexión para orientar la agregación.
Asimismo, se aborda el aprendizaje multimodal descentralizado bajo heterogeneidad estadística, modalidades ausentes y restricciones de comunicación. En lugar de intercambiar modelos completos, los participantes comparten representaciones compactas de cada modalidad. El análisis teórico y experimental respalda la convergencia, el rendimiento y la eficiencia comunicacional. En conjunto, la tesis avanza hacia un DFL más robusto, adaptativo y eficiente.
Ciencia de la Computación e Inteligencia Artificial
Cybersecurity and Data Science Laboratory (CyberDataLab)
Director: Alberto Huertas Celdrán
Codirector: Gregorio Martínez Pérez
Doctorado en Informática
Defendida
Cyber-Defence Campus, armasuisse Science & Technology (Thun, Suiza).
Periodo: del 12 de septiembre al 12 de diciembre de 2022 (tres meses).
Temática: Aprendizaje Federado Descentralizado aplicado a ciberseguridad, fiabilidad y robustez frente a entornos dinámicos y adversariales.
Communication Systems Group, Department of Informatics, University of Zurich (Zúrich, Suiza).
Periodo: del 1 de abril al 1 de julio de 2024 (tres meses).
Temática: Aprendizaje Federado Descentralizado, robustez del aprendizaje colaborativo, eficiencia comunicacional y tratamiento de datos heterogéneos.
