連合学習（れんごうがくしゅう）
最終更新：2026/4/19
連合学習は、複数のデバイスやシステムが、中央サーバーにデータを共有せずに、分散されたデータセット上で機械学習モデルを共同で学習する手法である。
別名・同義語 分散学習フェデレーテッドラーニング
ポイント
プライバシー保護やデータ分散環境での学習に適しており、医療データや金融データなど、データ共有が困難な分野で注目されている。通信コストの削減もメリットの一つ。
概要
連合学習（Federated Learning: FL）は、Googleが2016年に提唱した機械学習の手法です。従来の機械学習では、学習データを中央サーバーに集約する必要がありましたが、連合学習では各デバイス（スマートフォン、IoTデバイスなど）がローカルで学習を行い、その学習結果（モデルの更新情報）のみを中央サーバーに送信します。中央サーバーは、これらの更新情報を集約してグローバルなモデルを更新し、その更新されたモデルを各デバイスに再配布します。このプロセスを繰り返すことで、分散されたデータセット全体でモデルを学習させることが可能になります。
特徴
- プライバシー保護: 生データを共有しないため、プライバシー保護に優れています。
- データ分散: データが分散している環境でも学習が可能です。
- 通信コスト: 生データではなく、モデルの更新情報のみを通信するため、通信コストを削減できます。
- 異種データ: 各デバイスのデータ分布が異なる場合（非独立同一分布: non-IID）でも学習可能です。
課題
- 通信コスト: モデルの更新情報の通信は必要であり、デバイス数が多い場合やモデルが大きい場合は通信コストが課題となります。
- 異種データ: データ分布が大きく異なる場合、学習が不安定になることがあります。
- 悪意のある参加者: 悪意のある参加者がモデルを改ざんする可能性があります。
- 計算資源: 各デバイスの計算資源に依存するため、計算能力が低いデバイスでは学習に時間がかかることがあります。