# 連合学習 ## 定義 連合学習(Federated Learning, FL)は、生データを中央に集約せず、各クライアントが局所データでモデルを更新し、サーバがパラメータ(例: FedAvg による重み平均)だけを集約する分散学習パラダイムである。プライバシー制約とスケールの下で、異質なクライアント間の表現学習を進める。 連合転移学習(Federated Transfer Learning, FTL)は、参加クライアント上で得た大域モデルを、連合に参加しなかったクライアントへ転移し、局所微調整で個人化する拡張である。FL のプライバシー・スケールと、転移学習の適応性を同時に狙う。 ## 未解決の問い - 性能ベース(Top-N)と多様性ベース(Random-N)のノード選択を、埋め込み上のカバレッジや運用コストとどうハイブリッド化すべきか。 - デコーダのみ微調整とフル微調整の切替を、ノード間分布乖離に応じていつ解凍するべきか。 - Secure Aggregation や DP-SGD を本番 HPC テレメトリに入れたとき、異常検知の F1 はどの程度落ちるか(形式的プライバシー監査は未実施のソースが多い)。 ## 未編纂の観察 - **HPC 異常検知では、FL 参加ノード上の訓練可能性だけでは不十分で、非参加ノードへの転移が実務上の欠落だった**: [[@2026__ESWA__Federated Transfer Learning for Anomaly Detection in HPC Systems]] は Marconi100 の 100 ノード実テレメトリで FTL を検証し、非参加ノードの ΔF1 が半教師ありで最大 +0.50 に達すると報告する。Top-N は安定、Random-N は異質設定で勝つ場合がある。(Source: [[@2026__ESWA__Federated Transfer Learning for Anomaly Detection in HPC Systems]]) ## 関連 - 概念: [[異常検知]], [[ラベル不足への対処]] - エンティティ: [[Marconi100]], [[CINECA]] - ソース: [[@2026__ESWA__Federated Transfer Learning for Anomaly Detection in HPC Systems]] ## 出典 - [[@2026__ESWA__Federated Transfer Learning for Anomaly Detection in HPC Systems]](Tier-0 実機での FTL 異常検知)