本研究では、データに偏りが存在する場合（Non-IID）における連合学習の精度低下問題に着目し、プライバシー保護を維持しつつ学習性能を向上させる手法を提案する。従来の中央集約型機械学習はデータ収集に伴うプライバシーリスクが高く、連合学習では端末にデータを保持しモデルのみを共有することでリスクを低減できる。しかし、データがNon-IIDである場合、モデル精度は著しく低下する。本研究では，モデル集約とプロトタイプ共有を併用するハイブリッド型連合学習方式に対して準同型暗号を組み合わせる方式を提案し、Non-IID環境下でも高精度かつ安全な連合学習を実現する手法を設計・評価する。