Google Research a annoncé un système d'apprentissage fédéré de nouvelle génération basé sur des environnements d'exécution de confiance (TEE) qui offre des garanties de confidentialité différentielle centrale vérifiables par des tiers. Cette architecture déplace le calcul des gradients côté client vers le serveur, permettant d'attester la logique du serveur afin que les opérateurs n'aient plus besoin d'être considérés comme dignes de confiance pour les données brutes.
- Les appareils chiffrent les exemples d'entraînement localement et pré-autorisent les politiques d'accès publiées dans le registre de transparence Rekor de Sigstore.
- Un système de gestion des clés utilisant le protocole de consensus RAFT ne libère les clés que pour les charges de travail correspondant à la politique.
- Un TEE racine exécute une boucle d'entraînement Python via Federated Language, déléguant les sous-tâches aux TEE workers tout en ne libérant que les poids du modèle DP.
- Gboard a lancé des modèles de prédiction du mot suivant en anglais et en japonais avec des garanties de confidentialité renforcées et une précision améliorée.
- Le temps d'entraînement est réduit de 1 à 2 mois par modèle grâce à la parallélisation sur plusieurs machines, limité uniquement par la disponibilité des ressources TEE.
Le système permet aux auditeurs externes de suivre chaque charge de travail du serveur qu'un appareil pourrait alimenter, garantissant que la logique pertinente pour la confidentialité reste codée en dur dans le programme attesté.