この論文は、分散型機械学習の分野における革新的なパラダイムとして浮上した連合学習（Federated Learning、FL）の包括的な概要を提供します。連合学習は、モバイルデバイス、エッジノード、または組織など、複数のクライアントが機密データを集中化することなく共有グローバルモデルを協力して学習できるようにします。この分散化されたアプローチは、データのプライバシー、セキュリティ、およびコンプライアンスへの懸念を高め、医療、金融、スマートIoTシステムなどの分野で特に魅力的です。論文では、連合学習の重要なアーキテクチャと通信プロトコルから始まり、標準のFLライフサイクル（ローカル学習、モデル集約、およびグローバルアップデートを含む）、非IID（非独立で均等に分布していない）データ処理、システムおよびハードウェアの不均一性の軽減、通信オーバーヘッドの削減、差分プライバシー、および安全な集約などのメカニズムを守ります。また、パーソナライズされたFL、デバイス間対シロ間設定、強化学習、量子コンピューティングなどの他のパラダイムとの統合など、FL研究の新しい動向を調査し、実際のアプリケーションやFL研究で一般的に使用されるベンチマークデータセットと評価指標を要約し、スケーラブルで効率的で信頼性の高いFLシステムを開発するための未解決の研究問題。
