Google 将联邦学习引入可信执行环境，实现可验证的差分隐私

Google Research 介绍了一套把联邦学习训练逻辑放入可信执行环境的系统，并通过公开透明日志和可复现构建，使外部审计者能够检查隐私相关程序是否按声明运行。

• 设备端上传的数据先加密，并绑定允许处理数据的访问策略。
• 密钥管理系统只有在远程证明与公开策略匹配时才释放解密密钥。
• Google论文描述的设计将部分梯度计算移到服务器端 TEE，并只输出带中心化差分隐私的模型权重。
• Google称该系统已用于 Gboard 英文和日文下一词预测模型，但没有公布统一的训练加速倍数。
• TEE只能验证纳入证明范围的代码和配置，硬件、实现及策略发布流程仍是整体隐私保证的一部分。
• 影响/看点：该方案可能减少联邦学习对运营方“按承诺处理数据”的依赖，实际效果取决于 TEE 可用性、审计覆盖范围和差分隐私参数设置。
• 资料依据:
• Google Research（2026-10-02）：https://research.google/blog/toward-provably-private-learning-from-federated-data/
• 论文《Toward provably private learning from federated data》（2026-10-02）：https://arxiv.org/abs/2609.31494
• Google Research 技术说明（2026-10-02）：https://research.google/blog/toward-provably-private-learning-from-federated-data/

本内容由 AI 生成，仅供参考，请注意甄别