連合学習

連合学習の定義と仕組み

連合学習（Federated Learning）とは、Googleが2016年に提案した分散型の機械学習手法である。従来の中央集約型学習では、全参加者のデータを一箇所のサーバーに集めてモデルを学習する。連合学習では、各参加者（デバイスや組織）がローカルデータでモデルを学習し、モデルの重み更新（勾配情報）のみを中央サーバーに送信する。中央サーバーは各参加者の更新を集約（Federated Averaging等）して全体モデルを改善し、改善されたモデルを各参加者に再配布する。生データが参加者の外に出ないため、プライバシーが保護される。

連合学習のビジネス活用

連合学習は、データ共有が法的・競合的に困難な領域で特に有効である。医療分野では、複数の病院が患者データを共有せずに共同で疾患予測モデルを開発できる。金融分野では、複数の銀行が顧客データを保持したまま不正取引検知モデルを協調学習する。スマートフォンでは、Googleのキーボード予測（Gboard）が連合学習で個々のユーザーの入力パターンを学習しつつ、個人データをサーバーに送信しない。製造業では、複数工場の品質検査データを共有せずに横断的な異常検知モデルを構築するケースがある。

連合学習の課題と発展

連合学習の課題として、非IID（独立同分布でない）データへの対応がある。各参加者のデータ分布が大きく異なると、全体モデルの収束が困難になる。通信コストの削減（勾配の圧縮）やプライバシーの追加保護（差分プライバシー、秘密計算との組み合わせ）も活発に研究されている。また、悪意のある参加者がモデルを汚染する「ポイズニング攻撃」への耐性も重要な課題である。Vertical Federated Learning（特徴量分割型）やFederated Transfer Learningなど、連合学習の発展形も登場している。

AI偏差値テストとの関連

この概念は、AI偏差値テストの以下の測定次元と関連しています。

この知識が特に重要な職種

よくある質問