Privacy-Preserving Federated Learning Framework for Distributed Chemical Process Optimization

Este artículo propone un marco de aprendizaje federado que preserva la privacidad para la optimización distribuida de procesos químicos, abordando las restricciones de confidencialidad de datos industriales. Permite el entrenamiento colaborativo de modelos entre instalaciones, compartiendo solo los parámetros del modelo de forma segura y manteniendo la confidencialidad.