1．は　じ　め　に

　AI・機械学習技術の発展は目覚ましく，様々な応用，例えば，高精度なリアルタイム物体検出や画像補正，流ちょうな機械翻訳などが既に実現されている．今後，IoT（Internet of Things）により，我々の生活や仕事に関わる情報がより細かに取得できるようになれば，それを活用したAIアプリケーションにより，我々の生活がより豊かで安全安心なものになることが期待できる．

　高性能な機械学習モデル，特に深層ニューラルネットワーク（DNN: Deep Neural Network^(用語)）のような複雑なモデルを十分に訓練するためには，大量のデータと計算処理が必要となる．しかし，ヘルスケアデータやカメラ映像のように，IoT機器により取得可能なデータの中には，プライバシー情報や機密情報を含むものも多く，そのようなデータに対しては，従来のようにクラウドにデータを集約し大規模な学習処理を行うことが難しい．

　この問題に対する新たな解決方法として，FL（Federated Learning）^(用語)が注目を集めている⁽¹⁾．FLは連合機械学習^(注1)とも呼ばれる分散的な機械学習手法である．図1にシステムモデルを示す．FLの最大の特徴は，データを集約したり共有したりすることなく機器に保持したまま，そのデータを活用したモデル訓練が可能な点にある．この特徴により，プライバシー情報や機密情報を含むデータについてもより小さいリスクで活用可能となる．そのため産業応用の期待も高く，既にGoogleの研究者らによりキーボードクエリ提案のモデルの学習にFLを用いる実証実験が行われており，その有効性が示されている⁽²⁾．