Google Research ogłosił nową generację systemu uczenia federacyjnego opartego na zaufanych środowiskach wykonawczych (TEE), która po raz pierwszy zapewnia zewnętrznie weryfikowalne gwarancje centralnej prywatności różniczkowej. Innowacja rozwiązuje kluczowy problem poprzednich implementacji: choć urządzenia przesyłały dane do agregacji, zewnętrzni obserwatorzy nie mogli zweryfikować, że dane nie były logowane ani inspektowane. Nowy projekt przenosi obliczenia gradientów z urządzeń klienta na serwer i czyni logikę serwera atestacyjną, eliminując potrzebę zaufania operatorowi.
System koordynuje cztery główne komponenty. Najpierw urządzenia szyfrują lokalne przykłady treningowe i wstępnie autoryzują politykę dostępu, która musi pojawić się w publicznym dzienniku przejrzystości. Następnie system zarządzania kluczami zbudowany z TEE działających na protokole konsensusu RAFT udostępnia klucze tylko obciążeniom pasującym do polityki. Komplikacja Secure Aggregation, który wcześniej chroniał dane kryptograficznie, wymagał zaangażowania Google'a jako instancji dodającej szum prywatności różniczkowej. Nowe podejście TEE pozwala operatorom udowodnić, że proces przebiega prawidłowo bez centralnego punktu zaufania.
Rozwiązanie buduje na wcześniejszej pracy Google'a nad poufną analityką federacyjną i jest już wdrażane w Gboard, gdzie trenuje modele do predykcji następnego słowa i smart compose. Ta architektura ma głębokie implikacje dla uczenia federacyjnego w skali produkcyjnej, szczególnie w scenariuszach gdzie prywatność danych musi być możliwa do niezależnej weryfikacji.