スプリットラーニング（すぷりっとらーにんぐ）
最終更新：2026/4/25
スプリットラーニングは、機械学習モデルの学習データを複数のサブセットに分割し、各サブセットで独立して学習させる手法である。
別名・同義語 連合学習分散学習
ポイント
この手法は、データプライバシー保護や、異なるデータ分布を持つデータセットの統合に役立つ。連合学習と関連が深い。
スプリットラーニングとは
スプリットラーニングは、機械学習モデルの学習において、データセット全体を単一の場所に集約することなく、複数のサブセットに分割して学習を行う手法です。各サブセットは、異なるデバイスや組織によって保持され、それぞれの環境で独立して学習が行われます。
スプリットラーニングの背景
従来の機械学習では、モデルの学習には大量のデータが必要であり、通常、これらのデータは中央のサーバーに集約されていました。しかし、データプライバシーの懸念や、データが分散している状況（例えば、異なる病院がそれぞれ患者のデータを保持している場合）では、データの集約が困難になることがあります。スプリットラーニングは、このような課題を解決するためのアプローチとして注目されています。
スプリットラーニングの仕組み
スプリットラーニングの基本的な流れは以下の通りです。
- データ分割: データセットを複数のサブセットに分割します。
- ローカル学習: 各サブセットを保持するデバイスや組織で、それぞれ独立してモデルを学習させます。
- モデル集約: 各デバイスや組織で学習されたモデルのパラメータを、中央のサーバーで集約し、統合モデルを作成します。
- モデル配布: 統合モデルを各デバイスや組織に配布し、必要に応じて再学習を行います。
スプリットラーニングの利点
- データプライバシー保護: データが中央に集約されないため、プライバシーリスクを低減できます。
- データ分散への対応: 分散したデータセットを統合することなく学習を進められます。
- 通信コスト削減: データ全体を転送する必要がないため、通信コストを削減できます。