Google Research ha anunciado un sistema de Aprendizaje Federado de nueva generación basado en Entornos de Ejecución Confiables (ETEs) que ofrece garantías de privacidad diferencial central verificables externamente. Esta arquitectura traslada el cálculo de gradientes del cliente al servidor, permitiendo atestiguar la lógica del servidor para que los operadores ya no necesiten confiar con los datos sin procesar.

  • Los dispositivos cifran los ejemplos de entrenamiento localmente y preautorizan las políticas de acceso publicadas en el registro de transparencia Rekor de Sigstore.
  • Un Sistema de Gestión de Claves que utiliza el protocolo de consenso RAFT libera claves únicamente a cargas de trabajo que coincidan con la política.
  • Un ETE raíz ejecuta un bucle de entrenamiento en Python mediante Federated Language, delegando subtareas a ETEs trabajadores mientras libera solo los pesos del modelo DP.
  • Gboard lanzó modelos de predicción de la siguiente palabra en inglés y japonés con garantías de privacidad más fuertes y precisión mejorada.
  • El tiempo de entrenamiento se reduce de 1-2 meses por modelo al paralelizarlo entre máquinas, limitado únicamente por la disponibilidad de recursos ETE.

El sistema permite a los auditores externos rastrear cada carga de trabajo del servidor que un dispositivo podría alimentar, asegurando que la lógica relevante para la privacidad permanezca codificada de forma fija en el programa atestiguado.