ハッシュ学習（Hash Learning, HL）は、実数値データをコンパクトな二値表現に写像する効率的な表現学習手法である。従来の HL 手法は通常、ユーザーが個人データを中央サーバーにアップロードすることを必要とし、年々厳しくなるデータセキュリティ規制と相容れない。連合学習（Federated Learning, FL）は、プライベートデータを集中させることなくグローバルに最適なモデルを学習する分散型パラダイムを提供する。しかし、ほとんどの FL 手法は大規模な実数値勾配情報の伝送に依存しており、高い通信オーバーヘッドと潜在的なプライバシーリスクを伴う。HL を FL に統合することは有望な解決策である。
それでもなお、既存の HL 手法は二値コードの表現能力が限られているため、モデル精度を低下させる可能性がある。この課題に対処するため、本論文はフェデレーテッドハッシュ投影潜在因子（Federated Hash Projected Latent Factor, FHPLF）モデルを提案する。FHPLF は三つの重要な革新を導入する。第一に、実数値勾配行列を二値的な勾配行列に置き換えることで、計算・保存・通信コストを大幅に削減しつつ、プライバシー保護を強化する。第二に、投影ハミング距離（Projected Hamming Distance）を用いた類似度モデリングにより、個々の二値ビットの重要度を捉え、表現能力を向上させる。第三に、安全な二値勾配再構成とプライバシー強化アップロード（Secure Binary Gradient Reassembly and Privacy-Enhanced Upload, SBG-PEU）戦略を提案し、伝送中のユーザー相互作用漏洩リスクをさらに低減する。
本論文は4つの実世界データセットで広範な実験を行った。その結果、FHPLF は最先端の HL および FL 手法を一貫して上回り、精度・効率・プライバシー保護の間で有利なトレードオフを実現することが示された。本研究は機械学習（cs.LG）と暗号・セキュリティ（cs.CR）の学際領域に位置する。論文は2026年6月24日に arXiv に投稿され、番号は arXiv:2606.26192v1 である。