連合学習（フェデレーテッドラーニング）完全ガイド
データを1箇所に集めずにAIを賢くする。プライバシーと機密の壁を越える機械学習「連合学習」の仕組み・活用例・課題を、エッジAIの実装者視点で解説します。
この記事の要点（30秒で理解）
- 🤝
連合学習（Federated Learning, FL）は、データを中央に集めず、各拠点・各デバイスの手元でAIを学習させ、学習結果（モデルの重み）だけを統合する機械学習の方式。
- 📨
ネットワークを流れるのは「データ」ではなく「学習の成果」。プライバシーや機密保持の制約でデータを外に出せない医療・介護・建設・測量などの現場と構造的に相性が良い。
- 🔁
エッジAI（データを出さない推論）と連合学習（データを出さない学習）を組み合わせると、データを一度も現場の外に出さずにAIを運用・改善するサイクルが完成する。
連合学習とは — 「モデルがデータのところへ学びに行く」
AIの精度はデータの量と多様性で決まります。しかし現実には、最も価値のあるデータほど外に出せません。 医療画像、介護施設の見守り映像、建設現場の写真、測量成果 —— いずれも法規制・契約・プライバシーの制約があり、 「クラウドに集めて学習する」という王道が使えない領域です。
連合学習（Federated Learning）は、この矛盾を解くために 2016年にGoogleの研究チームが提案した学習方式です（McMahan et al., FedAvg論文）。データを1箇所に集める代わりに、モデルの方を各拠点に送り、手元のデータで学習させ、 学習結果（重み）だけを持ち帰って統合します。 「データをモデルのところへ運ぶ」発想から「モデルがデータのところへ学びに行く」発想への転換です。
当ラボの60本以上のデモが実証してきた「ブラウザ内で推論が完結し、データを送信しない」というエッジAIの思想を、推論だけでなく学習にまで広げたものと捉えると理解しやすいはずです。
仕組み — FedAvgの4ステップ
最も基本的なアルゴリズム「FedAvg（Federated Averaging）」は、配布→ローカル学習→重み送信→集約のラウンドを繰り返します。
グローバルモデルの配布
中央サーバーが現時点の共通モデル（グローバルモデル）を、参加する各拠点・各デバイス（クライアント）に配布します。
各拠点でローカル学習
各クライアントが手元のデータでモデルを数エポック学習します。学習データはこの間、拠点の外に1バイトも出ません。
重みだけをサーバーへ送信
学習で更新されたモデルの重み（パラメータの更新差分）だけをサーバーへ送ります。送信されるのは「データ」ではなく「学びの結果」です。
加重平均で統合（FedAvg）
サーバーが各拠点の重みをデータ量に応じて加重平均し、グローバルモデルを更新。STEP 1に戻り、このラウンドを繰り返してモデルが賢くなっていきます。
ポイントは STEP 3。ネットワークを流れるのは数値の塊である「重み」だけで、 写真も映像も音声も移動しません。だからデータ主権を保ったまま協調できます。
従来の集中学習との比較
| 観点 | 集中学習（従来） | 連合学習 |
|---|---|---|
| データの置き場所 | 中央サーバー・クラウドに集約 | 各拠点・各デバイスに置いたまま |
| ネットワークを流れるもの | 生データそのもの | モデルの重み（更新差分）のみ |
| プライバシー・機密 | 集約先のセキュリティ管理に依存 | データ自体は移動しない（重みへの攻撃対策は別途必要） |
| 学習データの多様性 | 収集・提供に同意が得られた範囲のみ | 参加する全拠点のデータ分布を反映できる |
| 実装の難易度 | 比較的低い（確立されたパイプライン） | 高い（非IID・通信・セキュリティの設計が必要） |
| 向いている状況 | データ共有に法的・契約的な制約がない場合 | 法規制・契約・プライバシーでデータを外に出せない場合 |
連合学習は集中学習の「上位互換」ではありません。データ共有に制約がないなら集中学習の方がシンプルで強力です。データを出せないという制約があるときに初めて、連合学習が唯一の選択肢になります。
エッジAI × 連合学習 — 「推論」と「学習」の両輪
エッジAIの導入で「推論時にデータを外へ送らない」体制ができても、モデルを改善しようとした瞬間に「学習データをどこに集めるか」という問題が再燃します。 ここに連合学習を組み合わせることで、AIのライフサイクル全体からデータの持ち出しをなくせます。
エッジ推論
現場のデバイス・ブラウザで判断。データを送らない「運用」
ローカル学習
現場のデータで現場のモデルを学習。データを送らない「改善」
FedAvg統合
学びだけを拠点間で共有。データを送らない「協調」
使い分けの目安: 現場データをクラウドへ送れるなら、エッジ→クラウド再学習→モデル配信のデータフライホイール型が王道です。送れない現場の選択肢が連合学習。アーキテクチャ選定は「データがどこまで外に出せるか」で決まります。
産業別ユースケース
実証・商用化済みの事例と、現場系産業への応用構想を区別して紹介します。
医療画像診断
国内実証ありAMED（日本医療研究開発機構）の研究事業で、東京慈恵会医科大学などが全国6施設の乳腺腫瘤超音波画像を施設の外に出さずに連合学習を実証。医用画像のFLではNVIDIA FLARE（旧Clara Train基盤）が標準的な基盤として使われています。
スマホの入力予測（Gboard）
商用実績Googleはスマホキーボード「Gboard」の次単語予測を、入力履歴を端末に置いたまま数多くのスマートフォンで連合学習させ改善しています。クロスデバイス型FLの代表例です。
出典: Federated Learning for Mobile Keyboard Prediction (arXiv)
介護 — 見守りAIの施設間改善
応用構想見守りカメラの映像は最も機微な個人データであり、プライバシーへの配慮が導入の最大の壁とされます。FLなら映像を施設の外に出さずに、転倒検知モデルを複数施設で共同改善できます。
建設・土木 — 損傷検出モデルの共同強化
応用構想各社が持つ現場写真・点検データ（ひび割れ・損傷など）は、施主との契約や機密保持の観点から社外共有が難しいデータです。FLなら写真を一切開示せずに、業界全体で損傷検出モデルを底上げする協調が可能になります。
測量・GIS — 点群分類モデルの共同学習
応用構想公共測量の成果や点群データには取り扱い上の制約が伴います。点群のセマンティック分類モデル（地面・建物・植生など）を、測量会社間でデータを開示せず共同学習する応用が考えられます。
※「応用構想」は当サイト運営者による提案であり、国内で広く実用化された事例ではありません。
連合学習の課題と対策
「データを送らない＝無条件に安全・簡単」ではありません。FLの実用性は、これらの課題への設計力で決まります。
非IIDデータ（拠点ごとの偏り）
拠点ごとにデータの分布が大きく異なる（介護施設ごとの利用者層、現場ごとの構造物種別など）と、単純な平均では学習が不安定になります。
対策
FedProx等の改良アルゴリズム、参加クライアントの選択戦略、パーソナライズ層の分離などで対処します。
通信コスト
学習ラウンドのたびにモデルの重みがサーバーと往復するため、モデルが大きいほど通信負荷が増えます。
対策
重みの圧縮・量子化、送信する層の限定、ラウンド頻度の設計で通信量を削減します。エッジ回線が細い現場ほど設計が重要です。
ポイズニング攻撃
悪意ある参加者が汚染された重みを送り、グローバルモデルの品質を劣化させたり、バックドアを仕込んだりする攻撃が研究されています。
対策
参加者の認証、外れ値となる更新の検知・除外、ロバスト集約（中央値ベースの統合など）で防御します。
重みからの情報漏えい
送信される重み（勾配）から元の学習データを部分的に復元する攻撃が知られており、「データを送らない＝無条件に安全」ではありません。
対策
差分プライバシー（ノイズ付加）、セキュア集約（暗号化したまま平均）、準同型暗号の併用が実務上の推奨です。
主要フレームワーク
| フレームワーク | 開発元 | 特徴 |
|---|---|---|
| Flower | Flower Labs（OSS） | PyTorch / TensorFlow などフレームワーク非依存で使える人気のFL基盤。研究から実務まで対応し、コミュニティが活発。 |
| NVIDIA FLARE | NVIDIA（OSS） | 医用画像分野で実績のあるFL基盤。Clara Trainの連合学習エンジンとしてオープンソース化され、ヘルスケア以外の業種にも展開。 |
| TensorFlow Federated | Google（OSS） | FLアルゴリズムの研究・シミュレーションに強いライブラリ。FedAvgの動作検証や独自アルゴリズムの試作に向く。 |
| PySyft | OpenMined（OSS） | 差分プライバシーやセキュア計算など、プライバシー強化技術（PETs）との統合を重視したエコシステム。 |
ブラウザで連合学習はできるか
できます。TensorFlow.jsはブラウザ内でモデルの推論だけでなく学習も実行でき、 Google PAIRチームによるTensorFlow.js連合学習の実験実装や、ブラウザベースFLフレームワークの研究（WebFed）が公開されています。インストール不要のブラウザは、実は最も身近なFLクライアントです。
「あなたのブラウザがFLクライアントになり、あなたの書いたデータは送信されず、AIの学びだけが共有されてモデルが賢くなっていく」—— この体験は、連合学習の本質を最も直感的に伝えられるはずです。
✅ 当ラボで公開中: この仕組みを実際に体験できる「ブラウザ連合学習デモ」を公開しました。 あなたのブラウザがFLクライアントになり、手書き画像を送信せずに「みんなで育てるAI」へ貢献できます。 非同期FedAvg・ノルムクリッピング・品質ゲートまで、本記事で解説した要素が実装されています。
🤝 ブラウザ連合学習デモを体験するよくある質問
Q. 連合学習とエッジAIの違いは何ですか？
エッジAIは「推論」を現場側のデバイスで行う技術の総称で、連合学習は「学習」を現場側で行い、結果（重み）だけを統合する手法です。エッジAIが判断のたびにデータを外へ送らない技術だとすれば、連合学習はAIを育てる過程でもデータを外へ出さない技術であり、両者を組み合わせることでデータを一度も現場の外に出さずにAIを運用・改善できます。
Q. 連合学習ではデータは本当に外部に出ないのですか？
生データそのものは移動しません。ただし、送信されるモデルの重み（勾配）から学習データの情報を部分的に推測する攻撃が研究されているため、「重みを送る＝完全に安全」とは言えません。実務では差分プライバシーやセキュア集約と組み合わせて、重み経由の漏えいリスクも抑える設計が推奨されます。
Q. 何拠点くらいから連合学習は有効ですか？
形態によります。病院や企業など少数の組織が参加する「クロスサイロ型」では数拠点〜数十拠点が一般的で、国内の医療実証では6施設の例があります。スマートフォンなどが参加する「クロスデバイス型」では数千〜数百万台規模になります。拠点数よりも「各拠点に、共有できないが学習価値のあるデータがあるか」が本質です。
Q. 分散学習（distributed training）との違いは何ですか？
分散学習は、1つの組織が自分のデータを複数のGPUやサーバーに分散させて学習を高速化する技術です。連合学習は、データの所有者がそれぞれ異なり、互いにデータを開示できないという前提で協調する点が本質的に異なります。技術的には似た計算でも、解いている問題（性能 vs データ主権）が違います。
Q. どんな業界が連合学習に向いていますか？
データの持ち出しが法規制・契約・プライバシーで制限される業界です。医療画像が世界的に先行し、金融の不正検知でも活用が進みます。今後は、見守り映像を扱う介護、現場写真が機密になる建設・土木、成果の取り扱いに制約がある測量・地理空間分野など、「現場系」産業への応用が有望と考えられます。
関連デモ — 「データを出さないAI」を今すぐ体験
連合学習の土台となる「ブラウザ内で完結するAI」を、インストール不要で体験できます。
あわせて読みたい
「データを外に出せない現場」のAI活用をお考えですか？
エッジAI・連合学習のアーキテクチャ設計は「現場のデータがどこまで出せるか」の見極めから始まります。 まずはブラウザデモで「データを送らないAI」を体験してみてください。