Aprendizaje profundo federado en Imágenes: Desarrollo de un algoritmo para aprendizaje federado eficiente y encriptado sobre datos no estructurados

Abstract

[Resumen]: El aprendizaje federado permite entrenar modelos a partir de datos distribuidos sin centralizarlos. De este modo, los clientes entrenan localmente y solo comparten información agregada, lo que reduce riesgos de privacidad y tráfico frente a enfoques clásicos. En este contexto, FedHEONN propone un entrenamiento en una sola ronda: cada cliente calcula la información necesaria para resolver la capa de salida y el coordinador la agrega sin acceder a datos, pesos o gradientes. Esto simplifica la comunicación y admite cifrado extremo a extremo. Este Trabajo de Fin de Grado aborda dos limitaciones que dificultaban su adopción: la falta de soporte para datos no estructurados (especialmente imágenes) y la ausencia de un entorno de comunicaciones práctico. Para ello, extendemos FedHEONN a visión por computador mediante un extractor de características preentrenado acoplado a una capa de clasificación resoluble directamente, preservando la propiedad de una sola ronda. Además, integramos un sistema ligero de comunicación federada con mensajes compactos y cifrado homomórfico, lo que permite su despliegue en entornos reales. El resultado es una librería reutilizable y reproducible, con API simple, que habilita tanto uso local como federado. La evaluación experimental sobre conjuntos de datos de referencia en visión muestra que la propuesta mantiene precisión competitiva frente a esquemas clásicos del aprendizaje federado y conserva su ventaja de comunicación, analizando también coste computacional y eficiencia energética. En conjunto, el trabajo aporta una extensión práctica de FedHEONN a datos no estructurados y una infraestructura lista para su adopción en escenarios reales.[Abstract]: Federated learning allows models to be trained using distributed data without centralizing it. In this way, clients train locally and only share aggregated information, reducing privacy and communication overhead compared to traditional approaches. In this context, FedHEONN proposes single-round training: each client calculates the information needed to solve the output layer, and the coordinator aggregates it without accessing data, weights, or gradients. This simplifies communication and supports end-to-end encryption. This bachelor’s thesis addresses two limitations that hindered its adoption: the lack of support for unstructured data (especially images) and the absence of a practical communications environment. To this end, we extend FedHEONN to computer vision using a pretrained feature extractor coupled directly with a classification layer with a closed-form solution, preserving the single-round property. In addition, we integrate a lightweight federated communication system with compact messages and homomorphic encryption, enabling deployment in real-world environments. The outcome is a reusable and reproducible library with a simple API that supports both local and federated use. Experimental evaluation on standard computer vision benchmarks shows that the approach achieves competitive accuracy compared to classic federated learning schemes and retains its communication advantage while also analyzing computational cost and energy efficiency. Overall, the work provides a practical extension of FedHEONN to unstructured data and an infrastructure ready for adoption in real-world applications.