Исследовательская группа Google анонсировала систему следующего поколения на базе доверенных сред выполнения (TEEs), обеспечивающую внешнюю верификацию гарантий центральной дифференциальной приватности. Эта архитектура переносит вычисление градиентов с клиента на сервер, позволяя аттестовать логику сервера так, что операторам больше не нужно доверять сырые данные.
- Устройства шифруют обучающие примеры локально и предварительно авторизуют политики доступа, опубликованные в журнале прозрачности Rekor от Sigstore.
- Система управления ключами на основе протокола консенсуса RAFT выпускает ключи только для рабочих нагрузок, соответствующих политике.
- Корневой TEE выполняет цикл обучения Python через Federated Language, делегируя подзадачи рабочим TEE и выпуская только веса модели с DP.
- Gboard запустил модели предсказания следующего слова на английском и японском языках с более строгими гарантиями приватности и улучшенной точностью.
- Время обучения сокращено с 1–2 месяцев на модель за счёт распараллеливания по машинам, ограниченного только доступностью ресурсов TEE.
Система позволяет внешним аудиторам отслеживать каждую рабочую нагрузку сервера, которую может подать устройство, гарантируя, что логика, относящаяся к приватности, остаётся жёстко закодированной в аттестуемой программе.