フェデレーテッドラーニングとは、スマートフォンやIoT機器などの端末側でデータを分散して学習を行い、生データではなくモデルの更新情報だけを集約して全体の機械学習モデルを構築するプライバシー保護型の技術です。
フェデレーテッドラーニングとは
フェデレーテッドラーニング（連合学習）とは、生データを中央のサーバーに集めずに、ユーザーの手元にある端末上で分散して機械学習モデルを学習させる仕組みのことです。
詳しく解説
従来の機械学習では、データを一つのサーバーやクラウド上に集めて学習を行っていました。しかし、この方法では個人情報や機密データがサーバーに送信されるため、プライバシーやセキュリティのリスクが生じます。フェデレーテッドラーニングでは、各端末上でローカルデータを用いてモデルのパラメータを更新し、その更新差分（重みの変化量）だけを中央サーバーに送信します。サーバーは集約した差分を既存のグローバルモデルに反映させます。これにより、ユーザーの生データを外部に露出させることなく、全体として精度の高い機械学習モデルを構築できるため、プライバシー保護の観点から非常に重要視されています。
具体例・使われ方
スマートフォンの予測変換や音声認識の精度向上が代表的な例です。ユーザーが入力したテキストや音声データそのものは端末内に保持されたまま、学習の成果だけがサーバーに送られ全体のモデル改善に活かされます。また、医療分野において、患者の個人情報を病院の外に出すことなく、複数の医療機関が協力して高精度な診断支援AIを開発する用途でも活用が進んでいます。
似た用語との違い
一般的なクラウドベースの機械学習や集中型学習とは異なり、データを一箇所に収集しない点が最大の違いです。また、データを複数のサーバーに分散させて並列処理する分散学習とも似ていますが、分散学習は通常同じ組織内の管理下で行われるのに対し、フェデレーテッドラーニングは信頼性の低い多数の外部端末やプライバシー保護が厳しく求められる環境を前提としている点が異なります。
注意点
通信を行う端末のネットワーク環境や処理能力が不安定であることによる学習遅延や、端末間のデータ分布が偏っていること（非IIDデータ）による精度の低下が課題となります。また、更新差分から元のデータが逆算されるリスクに対する対策など、セキュリティ面での注意も必要です。