50万件のクレジット記録をフェデレーテッド学習で評価した研究から、プライバシー、公平性、精度の三者間には根本的なトレードオフがあることが明らかになった。特に中小規模の機関では、GDPRに基づく差分プライバシー（ε=1.0など）、ECOA/FCRAに基づく公平性（デモグラフィックパリティギャップ＜0.1%）、そして96%以上の精度という三つの要件を同時に満たすことは、数学的に困難である。実際の実験では、プライバシー強化に伴い、公平性評価アルゴリズムがノイズによりバイアスの有無を正確に判断できず、結果としてギャップが縮まらないか、むしろ悪化するケースも確認された。 しかし、規模を拡大した場合に驚くべき変化が起きる。300の機関がデータを共有せずにフェデレーテッド学習を実施した結果、精度は79.3%から96.94%へと劇的に向上し、公平性ギャップは1.6%から0.069%まで改善された。プライバシーのレベル（ε=1.0）は維持されたまま、三者を同時に達成できた。その理由は、異なる機関が異なる顧客層を持つ「非IIDデータ」を共有することで、グローバルモデルがすべてのグループに公平な特徴表現を学習せざるを得なくなるためだ。これはデータの多様性が自然な公平性正則化として機能するという仕組みである。 中小銀行にとっての戦略は明確になる。単独では公平性を確保できないため、短期的にはバランス型（公平性ギャップ1.6%、ε=1.0）を採用し、中期的には5～10機関とのコンソーシアムを形成。長期的にはグローバルモデルに参加することで、世界レベルの精度と公平性を実現できる。小規模フィンテック企業も同様に、独自では実現困難なレベルのモデルを、コンソーシアムを通じてアクセス可能となる。 大規模銀行は中央集権型からフェデレーテッドアーキテクチャへの移行を検討すべきだ。データを地域や事業部門ごとに分散させることで、プライバシーリスクを低減しつつ、監査や説明責任も強化できる。 最終的な教訓は、規制当局が期待する「三者同時に達成可能」という幻想ではなく、実際には「規模拡大による連携」が唯一の解決策であるということだ。フェデレーテッド学習は、プライバシーと公平性のトレードオフを打破する実用的な道筋を提供している。今すぐ公平性ギャップを測定し、来月から連携パートナーを探るべき時である。