フェデレーテッドラーニング：それが何でどうやってプライバシーを守るか

2026年08月07日トピックスニュース

毎年、マーケターが解析から必要とするものと、プライバシー規制が収集を許可するものとのギャップは少しずつ縮まっています。例えば、2025年時点で、GDPRの執行による罰金は累計で71億ユーロを超えており、その一因として、現在利用可能な多くの報告技術がプライバシー規制に完全には準拠していないことが挙げられます。

これは、プライバシー規制を遵守していない場合に多額の罰金が発生することの一例に過ぎません。それでも、解析のデフォルトのアプローチはあまり変わっていません。できる限り多くの行動データを収集し、それを中央集約して、完全なデータセットに基づいてレポートを作成するというものです。アトリビューションモデル、コンバージョントラッキング、オーディエンスセグメンテーション、すべてが一箇所に集められた大量の生データに依存しています。

しかし規制が厳しくなる中で、そのモデルはプレッシャーにさらされています。そして、プレッシャーをかけているのは規制当局だけではありません。ユーザーもクッキーを拒否したり、プライバシー重視のブラウザや保護機能つきの拡張機能を選んだりして、追跡を避けています。

フェデレーテッドラーニングは別のアプローチを取ります。生データを中央サーバーに送る代わりに、モデルをデータが既に存在する場所へ送ります。ユーザーのデバイス上でも、ローカルサーバー上でも、自社のインフラ内でも可能です。まだ発展途中の技術ではありますが、すでに解析ツールの設計や、プライバシー重視の組織のデータ戦略の考え方に影響を与えています。

このガイドでは、フェデレーテッドラーニングの概念や仕組み、すでにどこで使われているか、そしてウェブ解析ソリューションにその原則をどう適用できるかについて説明します。

フェデレーテッドラーニングとは何ですか？

フェデレーテッドラーニングは、学習に使用するデータを移動させることなく機械学習モデルを訓練する方法です。この方法では、データを収集して中央の場所に移動させる必要はありません。その代わりに、モデルをデータのもとに持っていきます。

このプロセスは以下のサイクルで進行します：

中央サーバーがグローバルモデルのコピーを各参加デバイスまたはローカルサーバーに送信します。
各デバイスまたはサーバーは、自身のローカルデータでモデルを訓練します。例えば、あなたのクリックストリームデータはあなたのサーバーにとどまります。
更新されたモデルのパラメータ、例えば数値的な重みや勾配のみが返されます。
中央サーバーは「フェデレーテッド平均化」と呼ばれるアルゴリズムを使用してこれらの更新を統合し、個々の更新を1つの改善されたグローバルモデルに結合します。
改善されたモデルが再配布され、サイクルが再び開始されます。

実際の現場で適用すると、このプロセスは、品質管理や予知保全などの分野で誤検知や見逃しによるコストを削減するのに役立ちます。また、IoTデバイスやその他のエッジデバイスから生データを収集することなくモデルの更新を行うことで、業界固有のデータ保護要件やEUの機械規則のような業界レベルの法律への準拠を維持する手助けにもなります。

3. マーケティングと広告におけるパーソナライズ

フェデレーテッドラーニング（連合学習）は、マーケティングや広告業界で徐々に存在感を示し始めています。
2024年には、ユーザーのデバイス上で直接トレーニングされるFLベースの広告推薦モデルを導入した研究があります。閲覧履歴から位置情報まで、全てがデバイス内にとどまりつつモデルの更新に活用されます。その結果、企業はユーザーの生の操作履歴を取り込むことなく、プライバシーを守りながら広告のパーソナライズが可能になります。

これらの例から分かるように、フェデレーテッドラーニングは単なる実験にとどまらず、プライバシー保護技術への関心が高まる流れの一部になっています。多くの組織ではデータプライバシーを高めるためのシステムがすでに稼働しており、あなたの使うツールやベンダーも同じことをすることが期待できます。

例えば、Matomoはすでにプライバシーを優先しています。IPアドレスをデフォルトでマスクし、完全に匿名化することも可能です。Matomoはサイト間で訪問者を追跡せず、DoNotTrack設定も尊重します。

フェデレーテッドラーニングは、他のプライバシー保護手法と比べてどのような位置付けにあるのでしょうか。

フェデレーテッドラーニングは、膨大なデータを集中管理することなくデータのプライバシーを確保しながら機械学習モデルをトレーニングできるため、有用な手法です。また、コンプライアンス遵守やスケーラビリティの面でも優れています。しかし、他のプライバシー保護手法と比べるとどのような違いがあるのでしょうか。見てみましょう。

差分プライバシー

差分プライバシーは、解析者がデータセットやクエリ結果に慎重に校正された数学的ノイズを加える方法です。その結果、人口全体について質問して概ね正しい答えを得ることはできますが、特定の個人のデータが含まれているかどうかを逆に解析することはできません（そのため、FLのいくつかの設定で勾配漏洩防止に使われています）

これは、Appleが過去にiPhoneの使用統計を収集するために使った方法でもあります。何年にもわたってQuickTypeや絵文字の提案を改善するために使われてきました。

もし解析チームで働いているなら、この方法は人口レベルの傾向を把握するのに最も役立ちます。たとえば、ユーザーレベルの精密な数値ではなく、集計されたコンバージョン率やトラフィックのパターンを見る場合です。ただし、どれだけ慎重に行っても、データにノイズを増やせば増やすほど答えはあまり正確でなくなることも意味します。

Matomoのようなプライバシー重視の解析ツールは、ファーストパーティトラッキングやクッキーなしのオプション、設定可能なデータ保持を通じて、そもそも収集されるデータを減らすことで補完的なアプローチを取っています。

データ最小化と匿名化

データ最小化とは、特定の目的に必要なデータだけを収集することを意味し、匿名化とは識別子を取り除いたりマスクしたりして、個人が再特定できないようにすることを意味します。

GDPRの下では、データ最小化は法的要件です（第5条1項(c)）。データを匿名化して再特定が実質的に不可能であっても、最初に識別子が収集されている場合はGDPRの対象外とは見なされません。そして、それはGDPRでいう個人データにカウントされます。

実際には、豊富な行動データセットで真の匿名化を達成することは不可能です。だからこそ、企業は収集するデータを最小化する必要があります。フェデレーテッドラーニングは、モデルの更新だけが異なるサーバーに送信されるため、この点において設計上データ最小化を実現しています。Matomoのようなツールも、デフォルトでIP匿名化を行うなど、解析レイヤーで同じ原則を適用しています。そして、設定可能な保持期間を活用したり、特定のデータタイプを収集から完全に除外することもできます。

オンプレミス＆セルフホスト型の解析
自分のインフラ上で解析を実行するということは、データが管理下の環境から外に出ることがないということです。どこに保存するか、誰がアクセスできるか、どれくらい保持するか、どう処理するかはあなたが決めます。

規制の厳しい業界では、オンプレミスでの導入が求められることもあります。つまり、コンプライアンスのために、自社のインフラ内でソリューションを展開する必要があるということです。

ただし、セルフホスト型の解析とフェデレーテッドラーニングとの違いは、それぞれ異なるレイヤーで動作するという点です。

セルフホスト型の解析とフェデレーテッドラーニングは異なるレイヤーで動作します。セルフホスティングはデータの保存場所を制御するのに対して、FLは計算がどこで行われるかを制御します。直接の代替手段ではありませんが、データ主権に厳しい組織にとっては、補完的な問題に対応し合い、互いを強化し合う形になります。

注意：Matomoの自己ホスト型の解析ツールはその一例です。データを世界のどこに保存するか選べますし、生データへのアクセスも可能です。基本的には、適切な設定をすればデータがサーバー外に出ることはなく、企業がGDPRや同様の規制を遵守するのに役立ちます。

この章で話した手法は、互いに組み合わせることで最も効果を発揮します。そしてフェデレーテッドラーニングはまだ発展途上ですが、ローカルでのデータ保存や最小限のデータ転送といったその原則は、すでにいくつかの解析プラットフォームのプライバシーへの取り組みに反映されています。

フェデレーテッドラーニングとMatomoが共通する考え方

MatomoはFL（連合学習）を使っていませんが、それでもいくつかの方法でユーザーデータを守っています：

不要なデータの露出を最小限にする: FLでは生データをデバイス上に保持してデータ露出を最小限にします。Matomoでは、IP匿名化、設定可能なデータ保持期間、特定のデータタイプを収集から完全に除外する機能があります。仕組みは異なりますが、目標は同じです：必要なデータだけを収集・利用すること。
サードパーティトラッキングへの依存を減らす: 連合システムでは、生データは中央のサードパーティサーバーに送られることはありません。Matomoはファーストパーティ解析プラットフォームとして機能するため、データはユーザーのものであり、第三者と共有されたり販売されたりすることはありません。
コンプライアンスを意識する: FLはGDPR、HIPAA、CCPAといったプライバシー法に基づいています。Matomoもこれらすべての規制やそれ以上の規制に準拠するように設定可能です。
データ主権を確保すること: FLはデータをその地域内に保持します。MatomoはMatomo On-Premise（無料）でのセルフホスティングや、Matomo CloudでのEUホスティングを提供しています。あなたのデータは、選んだ地域で直接管理下に置かれます。
透明性と信頼にフォーカスすること: FLモデルは分散型データアプローチを使うので、何があなたのサーバーにあるのか、なぜそこにあるのかが分かります。Matomoも似たアプローチを取り、オープンソースのコードベースを提供しているので、チームの誰でも（DPOや外部監査人など）アクセスできます。データの収集、処理、保存の方法を見ることができます。

フェデレーテッドラーニングとプライバシー重視の未来を受け入れる

マーケターが必要とすることと規制で許されることのギャップは、すぐになくなるわけではありません。フェデレーテッドラーニングは、そのプレッシャーに対する最も有望な解決策のひとつです。高度なモデルをトレーニングしながら、ユーザーのプライバシーを侵害せずにマーケターがより良い意思決定を行えることを示しています。

しかし、結局のところ、この方法はまだ成熟途上です。複雑なインフラとかなりのエンジニアリング負荷が必要なため、現在は大企業でしか使われていないのが現状です。

とはいえ、あらゆる規模のビジネスでも、FLと同じプライバシー重視の原則に基づいて解析を構築することは可能です。例えば、自分のデータを所有し、ローカルに保つ、といった方法です。

それが、Matomoが作られた理由です。

これは、企業にデータのサンプリングなしでの完全な所有権、自己ホスティングの柔軟性、そしてGDPRなどのコンプライアンス対応を提供します。組織に責任ある解析の基盤をもたらします。すでにフェデレーテッドラーニングのようなプライバシー保護技術の方向性と一致しています。

FLが主流になるのを待たずに、データに関するより良い選択を始めることができます。

Matomo On-Premiseを無料でダウンロードするか、今日からMatomo Cloudの21日間無料トライアルを始めましょう。

よくある質問

MLとフェデレーテッドラーニングの違いは何ですか？
機械学習（ML）は、データからパターンを学習して予測や判断を行う技術です。フェデレーテッドラーニングは、プライバシーに配慮した特定のML手法です。従来のMLでは、データを中央に集めてそこでモデルを学習させます。フェデレーテッドラーニングでは、モデルがデータが存在する場所に移動してローカルで学習します。

フェデレーテッドラーニングの実際の例はありますか？

GoogleのGboardキーボードは、FLの初期の、そして最も広く引用される例の一つです。Googleは、何百万ものユーザーがタイプする方法から学習してGboardの予測変換を改善したかったのですが、誰が何を実際にタイプしたかは見たくありませんでした。FLを使うと、各スマホはユーザーのタイピングパターンに基づいて小さなモデルをローカルで学習し、そのモデルの更新がGoogleのサーバーに送られてテキスト予測の精度が向上します。

フェデレーテッドラーニングにはどのような3つのタイプがありますか？

フェデレーテッドラーニングは一般に、参加者間でデータがどのように分布しているかに基づいて3つのタイプに分けられます：

水平フェデレーテッドラーニング（Horizontal federated learning）：各参加者は同じ種類のデータ（同じ特徴）を持っていますが、異なるユーザーのデータです。例えば、単一のウェブサイトの地域ごとのバージョンが異なる地域の解析データを収集します。モデルは解析データを共有することなくフェデレーテッドラーニング、両方のユーザーセットにわたって学習します。
垂直フェデレーテッドラーニング（Vertical federated learning）：各参加者は同じユーザーに対して異なる種類のデータ（異なる特徴）を持っています。例えば、SaaS企業のウェブサイトとその後の製品が重複するユーザーを共有しています。ウェブサイトは意図データを持ち、製品は使用データを持っています。垂直FLでは、双方のデータを公開することなく、一緒により豊富なモデルを構築することができます。
フェデレーテッド転移学習：参加者のユーザーと特徴量の両方にほとんど重複がない場合に使用されます。あるドメインで学習されたモデルを、データセットを公開することなくギャップを埋めるフェデレーテッド手法を使って別のドメインに適応させます。これは三つの中で最も一般的でなく、まだ主に研究段階にあります。