連合学習

仕組み・詳細解説

学習の基本フロー（FedAvgアルゴリズム）

FedAvgに代表される連合学習は、次のようなラウンドを何百〜何千回も繰り返すことでモデルを収束させていきます。

1. クライアント選定：中央のオーケストレーター（サーバー）が、参加可能なデバイス・組織の中から今回のラウンドに参加させる一部（例えば数百〜数千台）を無作為に選ぶ
2. モデル配布：選ばれた参加者に、現時点のグローバルモデルの重みを配布する
3. ローカル学習：各参加者は自分の手元にあるデータだけを使い、数エポック分だけモデルを再学習する（生データは一切外に出さない）
4. 更新差分の送信：生データではなく、学習前後の重みの差分（勾配や更新済みパラメータ）だけをサーバーへ送り返す
5. 集約（Aggregation）：サーバーは各参加者から届いた更新差分を、データ量に応じた重み付き平均などで統合し、グローバルモデルを更新する
6. 次ラウンドへ：更新されたグローバルモデルをもとに、収束するまで1〜5を繰り返す

集約アルゴリズムのバリエーション

基本形のFedAvgは実装がシンプルな反面、参加者間でデータの分布や性能が大きく異なる（後述のNon-IID問題）と学習が不安定になりやすいという弱点があります。これを補うため、実務ではいくつかの派生アルゴリズムが使い分けられます。

• FedProx：ローカル学習時に、グローバルモデルから大きく離れすぎないようペナルティ項（近接項）を加えることで、デバイス間の性能差やデータ偏りに対する頑健性を高めた手法
• FedSGD：各ラウンドで1バッチ分の勾配だけを送る、より通信頻度の高い方式。通信コストは増えるが収束の予測がしやすい
• Secure Aggregation（セキュア集約）：サーバー側が個々の参加者の更新内容を復号できないよう、複数の参加者の更新を暗号的に足し合わせてから集計する仕組み。Googleがモバイル向けFLで採用している

プライバシー保護技術との組み合わせ

連合学習は「生データを外に出さない」という設計だけでも一定のプライバシー効果がありますが、更新差分そのものから元データを推定される攻撃（後述）が知られているため、実運用ではさらに以下の技術と組み合わせるのが一般的です。

• 差分プライバシー（Differential Privacy, DP）：勾配やパラメータにあえてノイズを加え、特定個人のデータが結果に与える影響を統計的に隠す。DP-FedAvgとして組み込まれることが多い
• セキュアマルチパーティ計算（SMPC）：複数の参加者が互いの入力を明かさないまま計算結果だけを共有できる暗号プロトコル
• 準同型暗号（Homomorphic Encryption）：暗号化したままパラメータの加算・平均計算を可能にする技術。計算コストが高く、主にクロスサイロ型の少数参加者間で使われる

学習方式の分類：クロスデバイス型とクロスサイロ型

連合学習は参加者の性質によって大きく2つのタイプに分けて理解すると整理しやすくなります。

具体例・ユースケース

モバイル・エッジデバイス

最も広く知られる事例が、GoogleのGboard（Android向けキーボードアプリ）における次単語予測モデルの改善です。ユーザーの入力履歴という機微なデータを端末外に一切送信せず、端末上で学習した差分のみを集約することで予測精度を継続的に向上させています。Appleも同様のアプローチを、Siriの音声認識やキーボードの予測変換の一部で採用していると説明しています。

ヘルスケア・医療研究

医療分野では、患者データを病院の外に出せないという規制上の制約が強いため、連合学習との親和性が高い領域とされています。NVIDIAが提供するNVIDIA FLAREのようなオープンソースの連合学習基盤を用いて、複数の医療機関がそれぞれの院内データを手元に置いたまま、腫瘍検出や画像診断向けのモデルを共同で改善する取り組みが研究・実証段階で行われています。単一施設だけでは症例数が少なく精度が伸びにくい希少疾患の診断モデルなどで特に有効とされます。

金融・不正検知

銀行や決済事業者は、自社の取引データを他社と共有せずに不正検知モデルの精度を高めたいというニーズを持っています。連合学習を使えば、複数の金融機関が「怪しい取引パターン」の学習結果だけを持ち寄り、単独では検知しづらい新手の不正パターンへの対応力を高めることができます。中国のWeBankが開発したFATE（Federated AI Technology Enabler）は、こうした金融領域でのクロスサイロ連合学習を念頭に設計されたプラットフォームです。

通信キャリア・IoT

通信キャリアの基地局や工場のIoTセンサーのように、大量のエッジデバイスが常時データを生成する環境でも連合学習は使われます。基地局ごとの通信品質データを外部に出さずに、ネットワーク障害予測やリソース最適化のモデルを協調的に学習するといった応用が検討されています。

メリット・デメリット

連合学習は万能の解決策ではなく、集中学習（データを一箇所に集めて学習する従来型）と比較したときのトレードオフを理解した上で採用を判断する必要があります。

実務では、連合学習単独で「プライバシーが完全に守られる」と誤解されがちですが、更新差分にも情報が残る以上、差分プライバシーやセキュア集約と併用して初めて実用的な安全性水準に達する、という位置づけで設計するのが定石です。

混同されやすい用語・類似技術との違い

連合学習は「分散」「プライバシー」という言葉が絡む他の技術と混同されやすいため、代表的な違いを整理します。

実務での導入ポイント

技術的課題への対処

• システムの異質性：参加デバイスの性能・OS・ネットワーク環境がバラバラなため、遅い参加者を待たない非同期集約や、ラウンドごとの参加者数を動的に調整する設計が求められる
• 統計的異質性（Non-IID問題）：参加者間でデータの分布が大きく異なる（例：地域によって使う言語表現が違う）と、単純平均では精度が伸びにくい。FedProxやパーソナライズドFL（グローバルモデルとローカル微調整の併用）で緩和する
• 通信制約：モデル圧縮・量子化・スパース化によって1ラウンドあたりの通信量を削減する手法が実運用では必須になる

主要フレームワークの使い分け

導入時に確認すべき観点

連合学習の導入を検討する際は、「本当にデータを外に出せないのか（規制要件の確認）」「参加者間のデータ分布の偏りはどの程度か」「悪意ある参加者が混入した場合の防御策（モデルの検証・外れ値の除外）」「集中学習と比較したときの精度低下は許容範囲か」を事前に評価しておくことが、プロジェクトの手戻りを防ぐ実務上のポイントです。小規模なPoC段階では、まず集中学習でベースライン精度を確認し、その後に連合学習での精度差を測定するアプローチが定石とされています。

2025-2026年の最新動向

LLMの連合Fine-tuning

大規模言語モデル（LLM）の登場により、連合学習の応用先はスマートフォン向けの小さなモデルだけでなく、数十億パラメータ級のLLMにも広がっています。LLM全体を各参加者にそのまま配布・再学習させるのは通信コスト・計算コストの両面で非現実的なため、実務ではLoRA（Low-Rank Adaptation）のような軽量な差分パラメータのみを連合学習で更新する「連合Fine-tuning」の手法が中心になりつつあります。企業が自社データを外部に出さずに、社内特化のLLMを他組織と協調して改善していくアプローチとして研究・実証が進んでいます。

プライバシー保護技術の高度化

差分プライバシーとセキュア集約を組み合わせて更新差分からの情報漏えいリスクをさらに下げる設計や、クライアント側で不正な更新（データポイズニング）を検知する仕組みの研究が活発になっています。単純な「データを外に出さない」だけでは不十分という認識が広がり、プライバシー保護技術との併用が前提になってきている点が近年の傾向です。

クロスサイロ連合学習の実用化拡大

医療・金融・通信分野で、組織間の共同モデル開発を目的としたクロスサイロ連合学習の採用が広がっています。単独の病院・銀行では十分な症例数・取引データが集まらない課題に対し、複数組織が生データを共有せずに精度を高め合う枠組みとして位置づけられています。

規制対応の手段としての位置づけ

GDPRやEU AI Act、日本の個人情報保護法など、データの越境移転や第三者提供に慎重な対応を求める規制が強まる中で、連合学習は「データを移動させずにAI活用を進める」現実的な選択肢として、コンプライアンス部門からも注目される技術になっています。今後は、連合学習の学習プロセス自体の監査可能性（誰がどのデータで、どの更新に貢献したかの説明責任）をどう担保するかが、実務上のさらなる論点になっていくと見られます。

よくある質問（FAQ）