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（Federated Learning、連合学習）は、データを一カ所に集めることなく、複数のデバイスやサーバー上で分散的にAIモデルを学習させる技術だ。2016年にGoogleが提唱した概念で、プライバシーを保護しながら機械学習を行う手法として注目されている。
従来の機械学習では、大量のデータをクラウドなどの中央サーバーに集約してモデルを訓練するのが一般的だった。しかし、個人情報保護の規制強化やデータ漏洩リスクへの懸念から、データを移動させずに学習する方法が求められるようになった。
仕組みの概要
フェデレーテッドラーニングの基本的な流れはこうだ。まず、中央サーバーがグローバルモデルを各参加デバイス（スマートフォン、病院のサーバーなど）に配布する。各デバイスはローカルデータを使ってモデルを学習し、学習結果（モデルの更新パラメータ）だけを中央サーバーに送り返す。
中央サーバーは各デバイスから受け取った更新を集約してグローバルモデルを改良し、再び配布する。このサイクルを繰り返すことで、実データを一度も共有することなくモデルの精度が向上していく。
メリットと課題
最大のメリットは、生データが端末から外に出ないためプライバシーが守られる点だ。GDPRやCCPAといった個人情報保護法への準拠がしやすくなる。また、通信コストの削減にもつながる。大量の生データを送信する代わりに、軽量なモデル更新データだけをやり取りすればいいからだ。
一方で、課題もある。各デバイスのデータが均一でない「非IIDデータ」問題、通信環境が不安定な場合のロバスト性、悪意のある参加者による「ポイズニング攻撃」のリスクなどだ。
実際の活用事例
最も身近な例はスマートフォンのキーボード予測だ。Googleの「Gboard」は、フェデレーテッドラーニングを使って各ユーザーの入力パターンから学習し、予測変換の精度を向上させている。ユーザーの入力データがGoogleのサーバーに送られることはない。
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診断モデルを訓練する取り組みが進んでいる。金融業界でも、詐欺検知モデルの共同学習にフェデレーテッドラーニングが活用されている。
プライバシー規制との関連
2018年のEU一般データ保護規則（GDPR）施行以降、データの取り扱いに対する規制は世界的に厳しくなっている。Cambridge Analyticaの事件は、個人データの濫用がどれほど深刻な問題を引き起こすかを世に知らしめた。こうした背景が、フェデレーテッドラーニングの需要を押し上げている。
今後の展望
GoogleやApple、IBMといったテック大手がフェデレーテッドラーニングの研究開発に力を入れている。NeurIPSなどの主要学会でも関連セッションが増えており、学術的な関心も高い。IoTデバイスの増加に伴い、エッジAIとフェデレーテッドラーニングの組み合わせはますます重要になるだろう。プライバシーとAI活用の両立を実現する技術として、今後も発展が期待される。