Google Research·· 7 天前精选
Google Research推出基于TEE的可验证隐私联邦学习系统
Toward provably private learning from federated data
研究任务与主要进展
Google Research推出基于TEE的新一代联邦学习系统，以可远程证明的执行、公开透明日志和策略化密钥管理支撑端到端可验证的匿名化。Gboard已将该系统用于英日文下一词预测模型，并获得更强隐私保证、更高准确率和显著更快的训练速度，而此前训练通常需要1至2个月。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请阅读原文核验。
本站判断
该工作把联邦学习的数据解密、访问策略和训练执行纳入可远程证明的TEE流程，并通过公开透明日志与可复现构建，使客户端和审计者能够核查匿名化逻辑；Gboard已将其用于英日文下一词预测模型，并把过去1至2个月的训练瓶颈移至服务器。隐私与精度提升仍受TEE能力、侧信道和差分隐私实现假设约束，速度收益尚无量化对照。本站设想：可在统一数据、DP预算与模型配置下，对不同TEE代际及加速器组合复测训练时间、精度和可验证性开销。
来源：Google Research · research.google