Riset Google telah mengumumkan sistem Pembelajaran Teragregasi generasi berikutnya yang dibangun di atas Lingkungan Eksekusi Terpercaya (TEE) yang memberikan jaminan privasi diferensial terpusat yang dapat diverifikasi secara eksternal. Arsitektur ini menggeser komputasi gradien klien ke server, memungkinkan logika server diaudit sehingga operator tidak perlu lagi dipercaya dengan data mentah.
- Perangkat mengenkripsi contoh pelatihan secara lokal dan pra-mengotorisasi kebijakan akses yang dipublikasikan di log transparansi Rekor Sigstore.
- Sistem Manajemen Kunci menggunakan protokol konsensus RAFT hanya merilis kunci ke beban kerja yang sesuai dengan kebijakan.
- TEE akar menjalankan loop pelatihan Python melalui Bahasa Teragregasi, mendelegasikan sub-tugas ke TEE pekerja sambil hanya merilis bobot model DP.
- Gboard meluncurkan model prediksi kata berikutnya dalam bahasa Inggris dan Jepang dengan jaminan privasi yang lebih kuat dan akurasi yang meningkat.
- Waktu pelatihan dikurangi dari 1-2 bulan per model dengan memparalelkan di seluruh mesin, dibatasi hanya oleh ketersediaan sumber daya TEE.
Sistem ini memungkinkan auditor eksternal untuk melacak setiap beban kerja server yang dapat diberikan oleh perangkat, memastikan bahwa logika yang relevan dengan privasi tetap terkode keras dalam program yang diaudit.