ブラウザ連合学習 — みんなで育てるAI
あなたのブラウザがFLクライアントに。手書き画像を送信せず、学びだけを持ち寄って1つのAIを育てます。
このデモで実際に起きていること
これは演出ではなく、Googleが提案した連合学習（Federated Learning）の仕組みをそのままブラウザで動かしています。 初期モデルはわざと少量データ（600枚）だけで学習した「伸びしろのある」状態から始まり、訪問者の貢献で実際に賢くなっていきます。
グローバルモデルを受信
サーバーから現在の「みんなで育てているモデル」（27,562パラメータ）をダウンロード。あなたのブラウザがFLクライアントになります。
ブラウザ内でローカル学習
お題の数字を5枚手書きすると、あなたの端末のCPU/GPUでモデルを3エポック追加学習。画像はブラウザの外に出ません。
重みの差分だけを送信
送られるのは学習前後の重みの差分（数値27,562個・約108KB）とサンプル枚数のみ。手書き画像は送信されません。
サーバーで検証・統合
サーバーは移動量の異なる4候補を秘匿検証セット400枚で全評価し最良を採用。精度が下がる更新は棄却されるため、グローバルモデルは決して悪くなりません。
何が送信されて、何が送信されないのか
| データ | サーバーへの送信 | 備考 |
|---|---|---|
| あなたの手書き画像 | 送信されない | ブラウザ内のみで使用。送信されない |
| 学習で得た重みの差分（数値の塊） | 送信される | 27,562個のfloat値・約108KB |
| サンプル枚数 | 送信される | 統合時の移動量調整・正当性チェックに使用 |
| 氏名・メール等の個人情報 | 送信されない | そもそも取得しない |
学術的な正確性のための注記: 連合学習でも「重みから学習データの情報を推測する攻撃」が研究されており、実務では差分プライバシーやセキュア集約を併用します。 本デモは仕組みの体験を目的としており、お題は数字のみ・モデルも極小サイズのため、重みから個人を特定できるような情報は実質的に含まれません。
わざと違う数字を書く攻撃（ラベル汚染）への防御
不特定多数が参加する連合学習では、お題と違う数字をわざと描いてモデルを壊す「ポイズニング攻撃」への対策が必須です。 このデモのサーバーは実際に次の多層防御を実装しています。
🚪 品質ゲート（単調非減少ラチェット）
移動量の異なる4候補を検証セットで全評価し最良を採用。精度を下げる更新は棄却され、グローバル精度は決して下がりません。これが最大の防御です。
🔒 採点表（検証セット）の秘匿
品質ゲートの検証セットはサーバー内のみに置き、Web配信もソース公開もしません。 採点表を知られなければ「採点だけ通る悪意の更新」を作れません。
✂️ 移動量の上限制御
どんなに大きな差分が送られても、グローバル重みが1回に動ける距離（L2ノルム）は上限つき。 1つの更新がモデルを支配できません。
🛡️ 評判クールダウン + レート制限
固定ノルムで評価して「明白な汚染」を繰り返すIPには一定時間のクールダウンを課します。 正常な貢献（精度低下が小さい）は罰しません。
実測: ラベルを故意にずらす攻撃を5回連続で送り込むテストでも、グローバル精度は下がるどころか 80.3%→82.3%に上昇し、攻撃IPは6回目で自動遮断されました。ゲートが「悪意を無害化」し、評判機構が「繰り返しを抑止」します。
正直な限界: 全体精度を保ったまま特定パターンにだけ誤反応を仕込む「バックドア攻撃」は、検証精度ベースの防御だけでは原理的に完全には防げません。 本デモはモデルが極小・移動量も極小なため実害はほぼ理論上に留まりますが、実運用では差分プライバシーやロバスト集約（中央値・Krum等）を併用します。 「単一の更新から悪意を完璧に見分けることはできないが、ゲートにより悪意を無効化できる」のが連合学習防御の要点です。
技術仕様
| モデル | MNIST CNN（Conv8 → Pool → Conv16 → Pool → Dense64 → Dense10）/ 27,562パラメータ・約108KB |
| クライアント学習 | TensorFlow.js（WebGL/CPU）・Momentum SGD(0.01, 0.9)・3エポック。手書き5枚 + シフト拡張15枚 + アンカー画像120枚を混合（破滅的忘却の防止） |
| 入力前処理 | 手書きキャンバスを列射影で桁ごとに分割（2桁の数字に対応）し、各桁をMNIST流に正規化 （境界箱の長辺を20pxへ縮小・重心を28×28の中心に配置）。学習サンプルと推論入力で同一の前処理を共有 |
| サーバー統合 | シフトラダー方式の非同期FL: 重みの移動量（L2ノルム0.02〜0.15）が異なる4候補を秘匿検証セット400枚で全評価し最良を採用。 精度が下がる更新は棄却（単調非減少ラチェット）。集約サーバーの推論は依存ゼロの純JS実装 |
| 汚染対策 | 検証セットはサーバー内秘匿（Web非配信）。固定ノルムプローブで明白な汚染を繰り返すIPはクールダウン。移動量上限・レート制限併用 |
| 初期モデル | MNIST 600枚・5エポックのみで学習した「弱い」シード（検証精度約86%）。伸びしろを残すための意図的な設計 |
連合学習をもっと深く知る
なぜ医療・介護・建設・測量のような「データを外に出せない現場」で連合学習が注目されるのか。 FedAvgの仕組み、非IID・ポイズニングなどの課題、Flower / NVIDIA FLAREといった実務フレームワークまで、完全ガイドで解説しています。
連合学習（FL）完全ガイドを読む連合学習の実験に最適なエッジAI機材
ブラウザの次は実機で。Raspberry PiやJetsonを複数台つなげば、自宅でも本格的な連合学習クラスタを構築できます。
※ 上記リンクはアフィリエイトリンクです。購入により当サイトに収益が発生する場合があります。