Federated Learning(フェデレーテッド ラーニング)

複数のデータ所有者が、各自の持つ学習データを秘匿したまま、協力して機械学習モデルを構築するにはどうすればよいだろうか? 従来型の機械学習のアプローチでは、すべてのデータを 1 か所 (通常はデータセンター) に集める必要がある。

しかし、これはユーザーのプライバシーやデータの機密性に関する法律に違反する可能性がある。現在、世界中の多くの地域が、プライバシーに関する法律に従ってユーザーのデータを慎重に扱うことをテクノロジー企業に課している。欧州連合 (EU) が 2018 年に施行した EU 一般データ保護規則 (GDPR) は、そのような法律の代表例である。本書では、この問題の解決策となる連合学習 (federated learning) について解説する。連合学習は、分散機械学習、暗号とセキュリティ、経済学とゲーム理論に基づくインセンティブメカニズムを組み合わせた新しい手法である。本書では、プライバシーの保護を目的としたさまざまな機械学習技術とその技術的背景について説明し、代表的な実用例を紹介する。そして、社会的ニーズが高まりつつある「責任ある AI 」 (responsible AI) を開発・実用化するための技術として、次世代の機械学習の基盤となりうる連合学習の可能性を示す。

[原著: Federated Learning, Morgan & Claypool Publishers, 2019]

機械学習モデルの精度を高めたい。しかしデータを一箇所に集められない。医療・金融・通信など、プライバシー規制やデータ主権が壁になる領域でこの問題は深刻です。連合学習 (Federated Learning) は「データを動かさずにモデルだけを共有する」という発想でその制約を突破する技術であり、本書はその理論的基盤と応用を体系的に整理した学術書です。

著者の Qiang Yang 氏は連合学習分野の初期から研究を牽引してきた研究者であり、水平連合学習・垂直連合学習・連合転移学習という 3 つの枠組みを明確に分類した点が本書の骨格をなしています。数式と理論を追う内容が中心となるため、機械学習の基礎 (最適化、勾配降下、分散計算) を修めた大学院生や研究者が対象読者です。実装レシピを期待して手に取る本ではありませんが、この分野の論文を読み進めるうえで「どの手法がどの前提条件に立脚しているのか」を整理する参照軸として、長く役立ちます。