# 垂直連合学習 ## 定義 垂直連合学習(Vertical Federated Learning, VFL、別名: 縦型連合学習、特徴量分割連合学習)は、参加する各クライアントが同一のサンプル集合(または同一のタイムスタンプ)に対して互いに異なる特徴量空間を保持する環境において、生データを中央に集約することなく協調してモデルを学習する分散機械学習パラダイムである。同一特徴量・異なるサンプルを扱う水平連合学習(Horizontal FL, HFL)と対比される。 ## 未解決の問い - 特徴量分割環境において、クライアント間の通信障害・遅延（ストラグラー）が発生した際の非同期表現更新と収束安定性の両立。 - クライアントのローカルモデルが改変不能なブラックボックスである場合に、勾配フィードバックのみで相互依存性を学習する際の表現能力の限界。 ## 未編纂の観察 - **特徴量分割環境における相互依存性学習は、未改変の独自モデルと局所ML拡張の組み合わせで集中型オラクルと同等水準まで到達可能である**: [[@2026__arXiv__Learning Unknown Interdependencies for Decentralized Root Cause Analysis in Nonlinear Dynamical Systems]] は、非線形時系列データにおいて各クライアントの Extended Kalman Filter (EKF) を変更せず、局所 LSTM とグローバルサーバ LSTM の勾配協調によりクライアント間の未知の依存性を学習し、集中型オラクルと同等の状態相関および異常検知性能を達成した。 - **VFL は信頼性要件（プライバシー保護）を満たす性能診断システムの中核技術として位置づけられる**: [[@2025__ACMCSUR__Trustworthy AI-based Performance Diagnosis Systems for Cloud Applications - A Review - Chapter 3.5 System-Level Trustworthiness Requirements]] は、クラウド性能診断におけるデータプライバシー技術として FL（HFL/VFL/FTL）を整理し、VFL が各組織・各資産のローカルモデルと中間表現を保持しつつ協調診断を行う基盤であることを論じている。 ## 関連 - 概念: [[連合学習]], [[差分プライバシー]], [[根本原因分析]], [[Fault Localization]] - ソース: [[@2025__ACMCSUR__Trustworthy AI-based Performance Diagnosis Systems for Cloud Applications - A Review - Chapter 3.5 System-Level Trustworthiness Requirements]], [[@2026__arXiv__Learning Unknown Interdependencies for Decentralized Root Cause Analysis in Nonlinear Dynamical Systems]] ## 出典 - [[@2025__ACMCSUR__Trustworthy AI-based Performance Diagnosis Systems for Cloud Applications - A Review - Chapter 3.5 System-Level Trustworthiness Requirements]](信頼できる AI 性能診断における VFL の位置づけ) - [[@2026__arXiv__Learning Unknown Interdependencies for Decentralized Root Cause Analysis in Nonlinear Dynamical Systems]](特徴量分割非線形時系列における相互依存性学習と分散 RCA)