定義

フェデレーテッドエンジンは、生データを一元化することなく、分散したデータソースのネットワーク全体でモデルのトレーニングまたは実行を行うように設計された計算フレームワークです。エンジンはデータを中央サーバーに移動させるのではなく、計算をデータに近づけることで、モデルがローカルデータセットから学習できるようにしつつ、集約されたモデルの更新またはパラメータのみを共有します。

なぜ重要なのか

データ主権およびプライバシー規制（GDPRやCCPAなど）は、機密データの移動をますます制限しています。フェデレーテッドエンジンは、組織の境界を越えた、またはユーザーデバイス上での協調的なモデルトレーニングを可能にすることで、この課題に直接対処します。これにより、組織はコンプライアンスを損なったり、専有情報を露出させたりすることなく、膨大でサイロ化されたデータセットをAI開発に活用できます。

仕組み

このプロセスは通常、いくつかの重要なステップを含みます。

1. 初期化： グローバルモデルが中央オーケストレーターから参加するローカルノード（個々のサーバーやユーザーデバイスなど）に送信されます。
2. ローカルトレーニング： 各ローカルノードは、独自のローカルデータを使用してモデルをトレーニングします。重みの更新または勾配のみが計算されます。
3. 集約： これらのローカル更新が中央サーバーに返送されます。その後、エンジンは特定の集約アルゴリズム（フェデレーテッドアベレージング、FedAvgなど）を使用して、これらの更新を単一の改善されたグローバルモデルに統合します。
4. 反復： 新しいグローバルモデルが再配布され、モデルが所望の収束レベルに達するまでサイクルが繰り返されます。

一般的なユースケース

フェデレーテッドエンジンは、いくつかのハイステークスな環境で極めて重要です。

• ヘルスケア： 患者記録を共有することなく、複数の病院システム全体で診断AIモデルをトレーニングします。
• モバイルキーボード： 個々のスマートフォンにローカルに保存されているユーザーの入力データを使用して、予測テキストモデルを改善します。
• 金融： 取引データを安全に保ちながら、異なる銀行支店全体で不正検出モデルを開発します。

主な利点

• プライバシーの強化： 生データは安全なローカル環境から決して出てきません。
• レイテンシの削減： 計算がデータソースにより近く（エッジコンピューティング）、実行されます。
• スケーラビリティ： 単一の中央サーバーに過負荷をかけることなく、より多くの分散ノードを追加することでシステムを水平にスケールできます。

課題

フェデレーテッドシステムの導入には、ノード間の通信オーバーヘッドの管理、異種データセット（非IIDデータ）全体でのモデル収束性の確保、悪意のあるノードが破損した更新を送信するポイズニング攻撃に対する防御など、いくつかの障害があります。

関連概念

この技術は、エッジコンピューティング、分散コンピューティング、差分プライバシーと密接に関連しており、これらはより強力なプライバシー保証を提供するためにフェデレーテッドラーニングと連携して機能することがよくあります。