Dans cette présentation, nous étudierons la prédiction conforme dans le cadre de l'apprentissage fédéré "one-shot". L'objectif principal est de calculer des ensembles de prédictions marginalement et conditionnellement valides en un seul tour de communication entre les agents et le serveur. En utilisant le quantile-des-quantiles et la méthode split-CP, nous introduisons plusieurs d'algorithmes efficaces pour construire ces ensembles. Nos approches s'appuient sur de nouveaux résultats théoriques liés aux statistiques d'ordre et à l'analyse de la distribution bêta-bêta. Nous prouvons également des limites supérieures sur la couverture des ensembles lorsque les scores de non-conformité sont presque sûrement distincts. Pour les algorithmes avec des garanties conditionnelles, ces bornes sont du même ordre de grandeur que celles du cas centralisé. Remarquablement, cela implique que le cadre de l'apprentissage fédéré one-shot n'entraîne pas de perte significative par rapport au cas centralisé. Nos expériences confirment que nos algorithmes renvoient des ensembles de prédictions dont la couverture et la longueur sont similaires à celles obtenues dans un cadre centralisé.