Ingeniería de Federated Learning & Privacy-Preserving ML

2.1 Introducción a Federated Learning: fundamentos, objetivos y arquitectura
2.2 Privacidad en ML: principios, amenazas y objetivos de preservación
2.3 Tipos de Federated Learning: horizontal, vertical y federated transfer learning
2.4 Differential Privacy en ML: conceptos, beneficios y límites
2.5 DP-SGD y variantes para entrenamiento distribuido
2.6 Cifrado y agregación segura: técnicas y casos de uso (Secure Aggregation, cifrado homomórfico)
2.7 Gobernanza multipartita en ML: roles, acuerdos, auditoría y cumplimiento
2.8 Evaluación de privacidad y rendimiento: métricas de utilidad, privacidad y costos
2.9 Desafíos prácticos en FL: comunicación, heterogeneidad de datos y escalabilidad
2.10 Casos de estudio y ejercicios de diseño: go/no-go con criterios de privacidad y gobernanza

3.1 Fundamentos de Federated Learning: arquitectura, partición de datos y flujo de entrenamiento
3.2 Privacidad en FL: diferencial, ruido y evaluación de riesgo
3.3 Cifrado y computación segura para FL: HE, MPC y cifrado de comunicaciones
3.4 Gobernanza multipartita: control de acceso, políticas y trazabilidad
3.5 Diseño de pipelines en FL: clientes, agregación, sincronización y escalabilidad
3.6 Evaluación de rendimiento y robustez en FL: métricas, benchmarks y estrés
3.7 Cumplimiento y privacidad: DPIA, consentimiento y normativa aplicable
3.8 Desafíos prácticos: heterogeneidad de datos, non-IID y sesgos
3.9 Seguridad de la cadena de suministro del modelo: ataques, defensa y mitigación
3.10 Caso práctico: go/no-go con matriz de riesgos para despliegue de FL

4.1 Fundamentos de Federated Learning: arquitectura, tipos (horizontal/vertical/híbrido) y flujo de datos entre clientes y servidor
4.2 Privacidad en ML y DP: conceptos, DP-SGD, calibración de ruido, epsilon-delta y trade-offs entre rendimiento y privacidad
4.3 Cifrado y seguridad en FL: cifrado de comunicaciones, aprendizaje seguro computacional, MPC y enclaves seguros
4.4 Gobernanza distribuida en FL: gobernanza multipartita, políticas de acceso, consentimiento, auditoría y trazabilidad
4.5 Vulnerabilidades y defensas en FL: ataques de inferencia, poisoning, backdoor, drift; contramedidas y evaluación de riesgo
4.6 Métricas y evaluación en FL: rendimiento, precisión, robustez, costo de comunicación, heterogeneidad de datos y escalabilidad
4.7 Implementaciones y herramientas de FL: TensorFlow Federated, PySyft, FedML, PaddleFL; criterios de selección
4.8 Cumplimiento y ética en FL: GDPR/LGPD, minimización de datos, residencia de datos, cumplimiento, gobernanza y auditoría
4.9 Casos de uso de FL y Privacy-Preserving ML: salud, finanzas, IoT e industria; mejores prácticas y lecciones aprendidas
4.10 Case clinic: go/no-go con risk matrix

5.1 Introducción a Federated Learning (FL) y su arquitectura
5.2 Fundamentos de Privacy-Preserving Machine Learning (PPML)
5.3 Técnicas de Cifrado aplicadas en FL
5.4 Gobernanza Multipartita: Conceptos clave
5.5 Diseño de un sistema FL: Componentes y flujos de trabajo
5.6 Implementación de la privacidad diferencial (DP) en FL
5.7 Evaluación de la seguridad y privacidad en FL
5.8 Diseño de un entorno FL seguro y escalable
5.9 Estudios de caso: Aplicaciones reales de FL y PPML
5.10 Integración de FL con sistemas de gobernanza distribuida

6.1 Introducción a la Implementación de Federated Learning
6.2 Diseño de la Arquitectura de Federated Learning
6.3 Técnicas de Preservación de la Privacidad: Diferencial Privacy
6.4 Cifrado en Federated Learning
6.5 Gobernanza Multipartita y Control de Acceso
6.6 Implementación Práctica: Marco de Trabajo y Herramientas
6.7 Despliegue y Monitoreo de Modelos Federated Learning
6.8 Evaluación y Métricas de Rendimiento en Entornos Privados
6.9 Estudio de Casos: Aplicaciones Reales de Federated Learning
6.10 Consideraciones Éticas y Regulatorias

7.1 Introducción a Federated Learning (FL) y la Privacidad en Machine Learning (ML)
7.2 Conceptos Clave: FL, Diferencia Privada (DP), Cifrado Homomórfico
7.3 Diseño de Sistemas FL: Arquitecturas y Componentes
7.4 Implementación de DP: Mecanismos y Técnicas
7.5 Cifrado en FL: Cifrado Homomórfico y Otros Métodos
7.6 Gobernanza Multipartita: Estrategias y Desafíos
7.7 Integración de Privacidad en el Diseño de FL
7.8 Evaluación y Medición de la Privacidad en FL
7.9 Estudio de Casos: Aplicaciones Reales de FL y Privacidad
7.10 Buenas Prácticas y Futuro de FL y la Privacidad

8.1 Introducción a la Seguridad en Federated Learning: Desafíos y Motivaciones
8.2 Cifrado Homomórfico: Fundamentos y Aplicaciones en FL
8.3 Cifrado Seguro Multipartito: MPC para la Protección de Datos
8.4 Diferencial Privacy en Federated Learning: Mecanismos y Implementación
8.5 Diseño de Mecanismos de Gobernanza para FL Seguro
8.6 Auditoría y Compliance en Entornos de Aprendizaje Federado
8.7 Implementación de Políticas de Acceso y Control en FL
8.8 Evaluación de Riesgos y Mitigación en Sistemas FL
8.9 Integración de Tecnologías de Seguridad en Plataformas FL
8.10 Estudios de Caso: Implementación de FL Seguro en Diversas Industrias

9.1 Introducción a Federated Learning: conceptos clave y motivación.
9.2 Privacidad en Machine Learning: importancia y desafíos.
9.3 Tipos de datos y su impacto en la privacidad.
9.4 Fundamentos de privacidad en datos distribuidos.
9.5 Consideraciones éticas y regulatorias en FL.
9.6 Visión general de las aplicaciones de FL.
9.7 Comparación entre FL y ML tradicional.
9.8 Ventajas y desventajas de FL.
9.9 Entendiendo el panorama de FL y Privacy-Preserving ML.

10.1 Introducción a Federated Learning (FL): Conceptos y Fundamentos
10.2 Privacy-Preserving Machine Learning: Mecanismos de Privacidad Diferencial (DP)
10.3 Cifrado en FL: Técnicas de Cifrado Homomórfico y Cifrado Seguro
10.4 Gobernanza Multipartita: Marco de Trabajo y Diseño de Políticas
10.5 Arquitecturas Avanzadas de FL: FL Horizontal, Vertical y Transferencia
10.6 Implementación de FL: Plataformas y Herramientas de Desarrollo
10.7 Análisis de Datos y Modelado en Entornos Privados
10.8 Desafíos y Soluciones en la Protección de la Privacidad
10.9 Casos de Uso: Aplicaciones Prácticas de FL y Privacidad
10.10 Evaluación y Validación de Modelos en Entornos Seguros