医療や金融の分野では、機密性の高いデータが複数の組織に分散しており、これらを一箇所に集めてAIモデルを学習させることは困難です。各組織がデータを手元に保持したまま共同でAIを学習する「連合学習」が注目されていますが、従来の手法では組織間で何度も通信を繰り返す必要があり、厳格なセキュリティ環境下での導入が課題でした。

本研究では、データコラボレーション解析を基盤に、データ分布が類似した組織をグループ化し、グループごとに最適なAIモデルをわずか1ラウンドの通信で学習する新手法「DC-CFL」を提案しました。実験では、従来手法が15〜33ラウンドの通信を要する精度に1ラウンドの通信で到達することを確認しました。本成果は、AI分野のトップカンファレンスの一つであるIJCAI 2026に採択されました。

本手法は、医療機関間での疾患予測モデルの共同構築など、機密データが分散する現実の環境でのAI共同開発を可能にする実用的な選択肢として期待されます。

人工知能科学センター（C-AIR）
菅原 颯太（システム情報工学研究群 サービス工学学位プログラム）
河又 裕士（システム情報系 特任助教／人工知能科学センター）
岡田 幸彦（システム情報系 教授／人工知能科学センター）

---

論⽂情報
掲載誌：Proceedings of the Thirty-Fifth International Joint Conference on Artificial Intelligence (IJCAI 2026)
論⽂タイトル：Single-Round Clustered Federated Learning via Data Collaboration Analysis for Non-IID Data
著者：Sota Sugawara, Yuji Kawamata, Akihiro Toyoda, Tomoru Nakayama, Yukihiko Okada
DOI：（プロシーディングス公開後に追記）
プレプリント：Single-Round Clustered Federated Learning via Data Collaboration…