分散型インテリジェンス時代のフェデレーテッドラーニング：課題と機会

フェデレーテッドラーニング（FL）は、多数の参加者が生データを交換することなく共通のモデルをトレーニングできる分散機械学習の新しいパラダイムです。この戦略はデータプライバシーとセキュリティを向上させ、医療、銀行、モバイルアプリケーションなどの機微な分野における主要な懸念に対応します。従来の中央集権型学習とは異なり、FLはモデルのトレーニングをデータソースに近づけることで、データ漏洩のリスクを減らし、GDPRやHIPAAなどの規制遵守を促進します。本稿では、FLのコアアーキテクチャ、水平型・垂直型・転移学習などの各種タイプ、セキュアマルチパーティ計算、差分プライバシー、準同型暗号などの支援技術、及び実用例を包括的に概説します。また、データの異種性、通信オーバーヘッド、敵対的攻撃への脆弱性などFLが直面する基本的な問題についても考察します。最後に、フェデレーテッド環境におけるモデル性能、セキュリティ、スケーラビリティ向上のための興味深い研究の展望を示します。