みらいといま Technology
連合学習
別名Federated Learning / フェデレーテッドラーニング
連合学習は、端末や組織に分散した学習データを中央へ集約せず、各参加者がローカルで計算したモデル更新を集約して共有モデルを学習する方式です。スマートフォンの入力支援や複数医療機関の共同研究などで実運用されています。ただし、データを移動しないことだけでプライバシーが保証されるわけではなく、更新からの情報復元、参加者識別、データ汚染、非IIDデータ、通信量、公平性への対策が必要です。
Maturity & Adoption
技術成熟度と実用化状況
技術成熟度
技術としてどこまで成熟しているか
- 評価対象
- 大規模クロスデバイス連合学習による言語・推薦モデルの本番学習
- 評価日
- 2026-08-10
Gboardで数億人規模の利用者向けモデルへ実配備され、差分プライバシー付き言語モデルも本番化されているため、この限定スコープをTRL 9と評価します。クロスサイロ医療や生成基盤モデルの連合学習は同じ成熟度ではありません。
実用化ステータス
社会でどこまで利用されているか
モバイル入力・推薦では大規模本番利用があり、医療・金融・製造ではNVIDIA FLARE等を用いた共同研究・限定導入が進んでいます。
主な制約
モデル更新は個人情報を漏らし得るため、secure aggregation、差分プライバシー、認証、監査、ロバスト集約が別途必要です。参加端末の偏り、通信障害、データ分布差、 poisoningも課題です。
How It Works
連合学習はどういう仕組み？
連合学習は、既存sourceで確認できる入力、処理、出力の関係を使って成立する技術です。対象や環境を計測・入力し、用途に応じたモデル、装置、運用条件で処理し、結果を提示または制御へつなげます。万能な置き換えではなく、既存sourceで示された制約の範囲で使われます。
- 01
入力を取得する
対象となる信号、環境、データ、利用者の状態を取得します。
- 02
用途に応じて処理する
既存sourceで示された方式やモデルに基づき、必要な推定、生成、制御、運用判断を行います。
- 03
結果を利用する
表示、支援、配送、学習、検証、計測など、用途に合わせた出力へつなげます。
Use Cases
連合学習はどこで使われている？
研究・実証
既存sourceで確認できる研究・実証用途で利用されています。
商用・運用用途
現在の採用状況に記載された範囲で、製品、サービス、運用支援、業務利用に使われています。
評価・制約管理
精度、環境差、安全性、規制、再現性などの制約を管理しながら利用されます。
Comparison
連合学習と中央集約学習は何が違う？
連合学習と中央集約学習の違い
連合学習は中央集約学習と混同されることがありますが、既存sourceで示された入力、処理、制約、利用範囲が異なります。
似ているところ
- どちらも近い目的や読者の検索意図で比較されます。
違うところ
- 連合学習は既存sourceで確認できる技術的な入力と処理に基づきます。
- 中央集約学習とは、対象範囲、制約、実用条件が異なります。
Future Tools
この技術を使っている未来道具（3件）
Technology Evolution
技術の歴史と今後の進展
Technology Timeline
連合学習の研究・実装史
確認済み事実
- 01
Federated Averagingを発表
分散端末上のローカル更新を反復集約する通信効率の高い学習法がAISTATSで発表されました。
- 02
Gboardで数億人規模へ展開
Federated Reconstructionが端末固有表現をローカルに保ち、Gboard推薦へ展開されました。
- 03
Gboard言語モデルへ形式的DP保証
20以上のGboard言語モデルを連合学習と差分プライバシーで本番学習した成果が公表されました。
- 04
NISTがプライバシー攻撃を体系化
更新情報と完成モデルから学習データが漏れる攻撃と防御の必要性が整理されました。
Technology Roadmap
編集部予測連合学習分野の進展予測
- 01
プライバシー予算と集約処理の監査が標準運用化
secure aggregation、差分プライバシー、TEEの設定と失敗条件を、モデルカードや監査ログで追跡する運用が広がると予測します。
予測根拠
NISTとGoogleの本番事例が、連合化だけではなく入力・出力プライバシーの明示を要求しているためです。
- 02
組織横断の基盤モデル適応が限定普及
生データを移動できない医療・製造・公共領域で、基盤モデルの部分更新や蒸留を連合化する導入が増えると予測します。
予測根拠
FLAREの実運用基盤と基盤モデル向け公開特許が現れた一方、計算量・知財・監査コストが高いためです。
Technology Roadmapは技術分野の進展予測です。Future Toolの実現時期を示すものではありません。
Organizations
関連企業・研究機関（2件）
この技術に関わる代表的な企業・研究機関・標準化団体です。
National Institute of Standards and Technology
連合学習のプライバシー攻撃、防御、評価指標に関する公的技術情報を整備しています。
代表研究
Privacy Attacks in Federated Learning
FAQ
連合学習のよくある疑問
連合学習はすでに使われていますか？
既存sourceで確認できる範囲では、研究、実証、限定的な商用利用、または特定用途での運用があります。
連合学習の主な制約は何ですか？
対象環境、データ品質、装置条件、評価方法、安全性、規制や運用条件が制約になります。
中央集約学習と同じですか？
同じではありません。目的が近く見える場合でも、連合学習は既存sourceで示された方式と制約の範囲で扱います。
DB Layer
根拠・参考情報
関連Technology
Patents
関連特許
-
特許情報を見る （外部サイトを新しいタブで開きます）
Online Federated Learning of Embeddings
公開番号 US20220391778A1
-
特許情報を見る （外部サイトを新しいタブで開きます）
Federated learning with foundation model distillation
公開番号 US20250103900A1
Sources
論文・一次情報
Communication-Efficient Learning of Deep Networks from Decentralized Data
Google Research / AISTATS / 2017-04-20
Federated Learning: Collaborative Machine Learning without Centralized Training Data
Google Research / 2017-04-06
A Scalable Approach for Partially Local Federated Learning
Google Research / 2021-12-08
Federated Learning of Gboard Language Models with Differential Privacy
Google Research / ACL / 2023-01-01
Privacy Attacks in Federated Learning
NIST / 2024-01-24
Federated Learning With FLARE: NVIDIA Brings Collaborative AI to Healthcare and Beyond
NVIDIA / 2021-11-29
US20220391778A1 Online Federated Learning of Embeddings
USPTO / Google Patents / 2022-12-08
US20250103900A1 Federated learning with foundation model distillation
USPTO / Google Patents / 2025-03-27