水平連合学習デモ — 3拠点が重みだけ持ち寄って学ぶ

水平連合学習（HFL）とは

水平連合学習は、全拠点が同じ特徴量（列）を持ち、サンプル（行）だけが異なる構成の連合学習です。 「同じ検査項目で別々の患者を診る複数の病院」のように、同種のデータが別々の場所に分散しているケースで使われ、最も一般的なFLの形です。

各拠点は手元のデータでモデルを学習し、学習結果（重み）だけをサーバーへ送ります。 サーバーはそれらをデータ量で加重平均（FedAvg）してグローバルモデルを更新し、再配布します。生の学習データは集約サーバーへ送らず、モデル更新量だけを共有します。

精度を上げるには — 実務の対応策

このデモは仕組みの可視化です。実際の水平連合学習で、非IID（拠点ごとの偏り）に負けず精度を高めるには次の手立てがあります。

• ・ラベル定義・前処理の統一（最重要）: 全拠点でアノテーション基準・クラス体系を揃える。技術以前の前提です。
• ・非IID向けアルゴリズム: 単純なFedAvgではなく FedProx / SCAFFOLD など、拠点ごとのズレを抑える改良手法を使う。
• ・パーソナライズFL: 共通層＋拠点別層に分け、偏りは各拠点で吸収しつつ共通部分だけを共有する。
• ・クライアント選択・重み調整: 偏りの強い拠点の影響を抑え、データ量に応じた加重を見直す。
• ・データ拡張・ラウンド設計: 少数クラスを補強し、ローカルエポック数とラウンド数をチューニングする。

データ設計・始め方の詳細は 連合学習の実践ガイド にまとめています。