Execution Context
連合学習（Federated Learning）は、組織が中央のリポジトリに生のデータを集約することなく、分散されたデータソース上で機械学習モデルをトレーニングすることを可能にします。この手法は、機密情報をクライアント環境内に保持することで、データ漏洩のリスクを最小限に抑えます。システムはモデルの更新情報のみを集約し、規制遵守を維持するとともに、エンタープライズアーキテクチャにおける脆弱性を低減します。
エッジデバイスと中央サーバー間の安全な通信チャネルを確立し、暗号化された勾配更新データを送信するためのフレームワークです。
ローカルでのトレーニングは、連合学習（フェデレーテッドアグリゲーション）アルゴリズムを用いて、プライベートなデータセットに対して行われ、推論攻撃やモデルの逆転を防ぎます。
グローバルモデルのパラメータは、基となる生データセットにアクセスすることなく、分散合意を通じて反復的に調整されます。
Operating Checklist
セキュアなクライアント・サーバー通信チャネルを確立し、相互認証トークンを使用して認証を行います。
ローカルのトレーニングパイプラインを設定し、差分プライバシーのノイズパラメータを適用します。
分散型平均化アルゴリズムを用いて、分散集計処理を実行します。
プライバシー予算の制約条件に基づいて、グローバルモデルの収束を検証する。
Integration Surfaces
セキュアエッジ展開
エージェントは、ローカルで学習されたモデルに差分プライバシーのノイズを付加し、個々のデータへの寄与を隠蔽して展開します。
集約プロトコル
中央サーバーは、準同型暗号の規格に基づいて、暗号化された勾配の重み付き平均を計算します。
監査ログ
変更不可能なログは、更新頻度やモデルの収束に関する指標を記録しますが、入力データの分布は公開しません。
