フェデレーション学習とは、端末内のデータをサーバーに集約せず、各デバイス上で機械学習モデルを学習させて更新情報のみを統合する分散型の手法です。個人情報や機密データを保護しながら高度なAIモデルを共同構築できます。
フェデレーション学習とは
フェデレーション学習（連合学習）とは、データを手元の端末に残したままモデルの学習を行い、その学習結果（パラメータの更新差分）だけをサーバーに集約してひとつのモデルを強化する機械学習手法です。
詳しく解説
従来の集中型学習では、すべての生データを中央サーバーに送信・蓄積してモデルを構築していました。しかし、プライバシー保護や通信コストの観点からデータの集約が困難なケースが増加しています。フェデレーション学習では、スマートフォンやIoT機器などのエッジデバイス側でローカル学習を行い、学習済みの重みパラメータのみを中央サーバーに送信します。サーバーは複数の端末から集まった更新結果を統合（アグリゲーション）してモデルを更新し、改善されたモデルを再び端末に配信します。これにより、機密性の高いデータを外部に出すことなく、高精度なモデルの訓練が可能になります。さらに安全性を高めるため、差分プライバシーなどの暗号化技術と併用されることも一般的です。
具体例・使われ方
スマートフォンのキーボードアプリにおける次世代予測変換や入力補完の学習が代表的です。ユーザーが入力したプライベートな文章そのものは端末外に送信されず、予測精度の改善情報のみが共有されます。また、病院間で患者の電子カルテや医用画像データを共有することなく、共同で疾患検出AIの精度を高める医療分野での応用も進んでいます。
似た用語との違い
一般的な分散学習との違いとして、分散学習は同一データセンター内の高性能サーバー間で計算負荷を分散させることが主目的であるのに対し、フェデレーション学習は世界中に散らばる端末のデータプライバシー保護を主目的とする点があります。また、中央に生データを集めて学習する集中型学習とは異なり、サーバーが生データを保持しない点が決定的に異なります。
注意点
データそのものを送信しないものの、パラメータの更新差分から元のデータを推測・復元される攻撃リスクが完全にゼロではないため、安全な集約プロトコルや保護技術の併用が必要です。また、各端末の計算能力や通信環境のばらつき、端末ごとにデータの傾向が偏る不均一性（Non-IIDデータ問題）により、学習が非効率になったり精度が安定しにくかったりする技術的課題も存在します。