[論文レビュー] A Survey on Decentralized Federated Learning

Edoardo Gabrielli, Di Pietro, Anthony+3 more|arXiv (Cornell University)|Aug 8, 2023

Privacy-Preserving Technologies in Data被引用数 21

ひとこと要約

分散型連邦学習（DFL）アプローチの総合的なレビュー、従来の分散型手法とブロックチェーンベースの手法の比較、課題と今後の方向性の整理。

ABSTRACT

Federated learning (FL) enables collaborative training without pooling raw data, but standard FL relies on a central coordinator, which introduces a single point of failure and concentrates trust in the orchestration infrastructure. Decentralized federated learning (DFL) removes the coordinator and replaces client-server orchestration with peer-to-peer coordination, making learning dynamics topology-dependent and reshaping the associated security, privacy, and systems trade-offs. This survey systematically reviews DFL methods from 2018 through early 2026 and organizes them into two architectural families: traditional distributed FL and blockchain-based FL. We then propose a unified, challenge-driven taxonomy that maps both families to the core bottlenecks they primarily address, and we summarize prevailing evaluation practices and their limitations, exposing gaps in the literature. Finally, we distill lessons learned and outline research directions, emphasizing topology-aware threat models, privacy notions that reflect decentralized exposure, incentive mechanisms robust to manipulation, and the need to explicitly define whether the objective is a single global model or personalized solutions in decentralized settings.

研究の動機と目的

• 分散型FLが中央オーケストレーションの制約をどのように解決するかを評価する。
• 既存のDFLアプローチを整理・分類する（従来の分散型 vs. ブロックチェーンベース）。
• DFLで使用されるデータセット、モデルタイプ、データ分割、およびコンセンサスメカニズムを要約する。
• DFLのセキュリティ、スケーラビリティ、およびヘテロジニティにおける主要な課題を特定する。
• 現状の制約を克服するための有望な研究方向性を提案する。

提案手法

• 2018–2023年のDFL研究を特定・選別するためにPRISMAガイドラインに従った系統的文献レビュー。
• TD-FL（従来の分散型）と BC-FL（ブロックチェーンベース）にアプローチを分離する分類体系の開発。
• 各論文のデータポイントの抽出：データセット、モデル、分割、アーキテクチャ、性能指標、制限。
• 含まれる研究全体の課題、データセット、実験設定の定性的統合。

実験結果

リサーチクエスチョン

• RQ1 分散型FL（DFL）の潜在的な適用分野は何か、中央オーケストレーションは解決されたか。
• RQ2 DFL研究で使用されるデータセットとフェデレーテッド設定は何か。
• RQ3 DFL実装の設計選択（ブロックチェーン対非ブロックチェーン、データ分割、コンセンサス）は何か。
• RQ4 提案されたDFLアプローチの性能とセキュリティ特性は何か。
• RQ5 DFLの主な課題と今後の方向性は何か。

主な発見

• DFLアプローチは伝統的な分散型（TD-FL）とブロックチェーンベース（BC-FL）に分類される。
• 複数のデータセット（MNIST、CIFAR-10、FMNIST など）にわたり、横型、縦型、非IID、IIDといったさまざまなデータ分割シナリオが検討されている。
• ブロックチェーンベースのFLアプローチは、分散化された集約を実現するために追加のコンセンサスと完全性メカニズムを導入する。
• 従来の分散型DFL手法は、ピアツーピアグラフ、ゴシップ、転移学習技術を用いて分散化を実現する。
• セキュリティ、インセンティブ機構、データのヘテロジニティは、スケーラブルなDFL実装の中心的な課題であり続ける。