24/07/2026
Gregorio Martínez Pérez, Alberto Huertas Celdrán
Cybersecurity and Data Science Laboratory (CyberDataLab)
Departamento de Ingeniería de la Información y las Comunicaciones
Facultad de Informática
Universidad de Murcia
Murcia
España
Esta tesis doctoral investiga el Aprendizaje Federado Descentralizado (DFL) como un
paradigma distribuido para el entrenamiento de modelos de Inteligencia Artificial en
entornos heterogéneos, adversariales y con recursos limitados, eliminando por completo
la dependencia de un orquestador central. La investigación surge como respuesta a las
vulnerabilidades críticas de las arquitecturas centralizadas en el Internet de las Cosas
(IoT), el edge computing y las infraestructuras críticas, donde la privacidad, la
resiliencia y la eficiencia son requisitos ineludibles.
En primer lugar, se establecen las bases teóricas y taxonómicas del ecosistema DFL.
Sobre esta fundamentación, se desarrollan mecanismos disruptivos y plataformas
modulares para el despliegue, la orquestación y la evaluación de redes colaborativas en
condiciones realistas, considerando la integración de dispositivos heterogéneos,
comunicaciones asíncronas y topologías dinámicas. Asimismo, la investigación aborda
la mitigación de amenazas físicas y lógicas, incluyendo ataques bizantinos y
envenenamiento de datos y modelos, mediante mecanismos de conciencia situacional y
sistemas de reputación que aíslan dinámicamente a los nodos comprometidos.
En paralelo, se aborda uno de los mayores desafíos del aprendizaje federado
descentralizado: la heterogeneidad estadística de los datos y su fragmentación
multimodal entre los distintos participantes de la red. Para mitigar esta problemática, se
propone sustituir el intercambio tradicional de parámetros por mecanismos de
intercambio de conocimiento eficientes basados en representaciones compartidas
compactas y en espacios latentes. Estas aportaciones permiten mejorar notablemente la
convergencia, la robustez y la escalabilidad del sistema, reduciendo al mismo tiempo
drásticamente la sobrecarga de red asociada al entrenamiento colaborativo distribuido.
En conjunto, la tesis aporta sólidos fundamentos teóricos, desarrollos a nivel de sistema
y mecanismos algorítmicos robustos orientados al aprendizaje federado descentralizado
y seguro. Los resultados consolidan un avance en el diseño de Inteligencia Artificial
colaborativa, escalable y resiliente, apta para desplegarse en sistemas distribuidos
asimétricos, redes IoT y escenarios tácticos de ciberdefensa.
