本論文は、分散機械学習の分野で革新的なパラダイムで浮上した連合学習（Federated Learning、FL）の簡潔で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、または組織などの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共同でトレーニングできるようにします。この分散アプローチは、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、連合学習のコア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（ローカルトレーニング、モデル集約、およびグローバルアップデートを含む）、非IID（非独立同一分布）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によるプライバシーの保証など、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まとめ、拡張可能で効率的で信頼性の高いFLシステム開発のためのオープンな研究問題
