Agregación de modelos en escenarios heterogéneos de aprendizaje federado: un enfoque basado en metaaprendizaje
Resumen:
El aprendizaje federado es un paradigma de aprendizaje automático distribuido que permite entrenar modelos de manera colaborativa entre múltiples participantes, sin necesidad de compartir sus datos locales. Tradicionalmente, los métodos de agregación asumen que todos los participantes utilizan arquitecturas idénticas y una inicialización común de parámetros. Sin embargo, estas restricciones limitan la diversidad y la evolución independiente de los modelos locales. En esta plática se presentará una estrategia de agregación basada en metaaprendizaje que prescinde de una inicialización compartida y que permite integrar modelos con arquitecturas diferentes empleando para ello predicciones de los modelos locales sobre un "conjunto de datos simulado" en el servidor de agregación y que sirve de referencia para construir un metamodelo global. Se analizará el comportamiento de la estrategia en escenarios federados de una sola iteración (one-shot) y múltiples rondas, considerando diferentes configuraciones de heterogeneidad en los modelos y los datos. Asimismo, se presentarán resultados experimentales ilustrativos que permitirán examinar el desempeño del enfoque y las ventajas de integrar predicciones de modelos locales que evolucionan de manera independiente.
Semblanza:
Ingeniero en Electrónica y Comunicaciones por la Universidad Autónoma de Nuevo León en 2001. Posteriormente, trabajó tres años en el sector de telecomunicaciones, en Avantel, donde se desempeñó como ingeniero de redes de conmutación y datos. En 2004 se incorporó como asistente de investigación y estudiante de doctorado al Departamento de Teoría de la Señal y Comunicaciones de la Universidad Politécnica de Cataluña (UPC), en Barcelona, España. En 2007 obtuvo el Diploma de Estudios Avanzados, y el grado de Doctor en Telecomunicaciones por la UPC, Barcelona (febrero, 2011). En junio 2011 se incorporó a Cinvestav Tamaulipas como profesor visitante, y desde 2014 se desempeña como profesor investigador a tiempo completo en esta institución. Cuenta con amplia experiencia en formación de recursos humanos a nivel posgrado, con la dirección de 14 tesis a nivel maestría y 3 a nivel doctorado. Una de las tesis doctorales dirigidas recibió el Premio Arturo Rosenblueth 2019, máximo reconocimiento otorgado por Cinvestav, a la mejor tesis doctoral en el Área de Tecnología y Ciencias de la Ingeniería. Asimismo, ha sido responsable técnico de proyectos de investigación financiados por organismos públicos federales y estatales. Sus intereses de investigación se centran en aprendizaje automático en dispositivos inteligentes, aprendizaje federado, y salud móvil, con énfasis en su aplicación a sistemas de comunicaciones móviles celulares, entidades de cómputo móvil y casos de uso del Internet de las Cosas. Es miembro del Sistema Nacional de Investigadoras e Investigadores (SNII) con nivel 1.
Lugar: Aula 2 https://cicese.zoom.us/j/85677740585?pwd=h9whH7JCFJdo4n0bQIXZl57WaxYle3.1 ID de reunión: 856 7774 0585 Código de acceso: 778671
Fecha: 18-11-2026
Hora: 12:00 pm