A Pesquisa do Google anunciou um sistema de Aprendizado Federado de próxima geração construído sobre Ambientes de Execução Confiáveis (TEEs) que oferece garantias de privacidade diferencial central verificáveis externamente. Esta arquitetura transfere a computação de gradientes do cliente para o servidor, permitindo que a lógica do servidor seja atestada, de modo que os operadores não precisem mais ser confiáveis com dados brutos.
- Dispositivos criptografam exemplos de treinamento localmente e pré-autorizam políticas de acesso publicadas no log de transparência Rekor da Sigstore.
- Um Sistema de Gerenciamento de Chaves usando o protocolo de consenso RAFT libera chaves apenas para cargas de trabalho que correspondem à política.
- Um TEE raiz executa um loop de treinamento em Python via Federated Language, delegando subtarefas a TEEs de trabalho enquanto libera apenas pesos do modelo DP.
- O Gboard lançou modelos de previsão da próxima palavra em inglês e japonês com garantias de privacidade mais fortes e precisão aprimorada.
- O tempo de treinamento é reduzido de 1-2 meses por modelo ao paralelizar entre máquinas, limitado apenas pela disponibilidade de recursos do TEE.
O sistema permite que auditores externos rastreiem cada carga de trabalho do servidor que um dispositivo poderia alimentar, garantindo que a lógica relevante para a privacidade permaneça codificada no programa atestado.