水平フェデレーション学習における効果的な特徴選択の新しいアプローチ 近年、フェデレーション学習（Federated Learning, FL）はデータプライバシー保護型の分散機械学習手法として注目を集めています。複数のクライアント間でモデルを協調的に学習する際に情報共有が必要とされる一方で、クライアントはローカルデータを一切共有しないため、全体モデルの性能を保証する新しいアプローチが求められています。特に、水平フェデレーション学習（Horizontal Federated Learning, HFL）では、全てのクライアントが同じ特徴空間を共有しますが、個々のサンプルデータは異なるため、大量の冗長特徴や次元性の呪い（Curse of Dimensionality）によりモデルの性能と学習効率...