O Google Research anunciou um sistema de Federated Learning (FL) de próxima geração construído sobre Trusted Execution Environments (TEEs). A equipe de pesquisa afirma, pela primeira vez, garantias de privacidade diferencial central (DP) verificáveis externamente para FL. Que problema o Federated Learning baseado em TEEs resolve? O Google introduziu o Federated Learning (FL) em 2017. Ele impulsiona a previsão da próxima palavra e o Smart Compose no Gboard, sugestões de resposta no Google Messages e o Smart Text Selection no Android. Sistemas anteriores tinham uma lacuna de confiança. Os dispositivos carregavam dados para agregação imediata, mas agentes externos não podiam verificar se os dados nunca eram registrados ou inspecionados. A Agregação Segura adicionou proteção criptográfica. No entanto, não era compatível com algoritmos de DP central de ponta, como a fatoração de matriz DP-FTRL. O Google também precisava ser confiável para adicionar ruído de DP corretamente. O novo design move o cálculo do gradiente do cliente para o servidor. Em seguida, torna essa lógica de servidor atestável, de modo que o operador não precise mais ser confiável. Como o sistema funciona? O sistema baseia-se no trabalho anterior de análise federada confidencial do Google. Ele coordena 4 componentes principais: Upload de dados: Os dispositivos criptografam os exemplos de treinamento localmente e pré-autorizam uma política de acesso. A política lista quais computações TEE podem processar os dados. As políticas devem aparecer em um log de transparência pública. KMS e verificação de política: Um Key Management System (KMS), construído a partir de TEEs executando o protocolo de consenso RAFT, libera chaves apenas para cargas de trabalho que correspondem à política. Execução da carga de trabalho: Um TEE raiz executa um loop de treinamento em Python e delega subtarefas a TEEs de worker. A orquestração usa Federated Language, derivado do TensorFlow Federated. Apenas os pesos do modelo DP são liberados. Recuperação tolerante a falhas: Cada rodada salva um estado de recuperação criptografado pelo KMS para lidar com falhas de raiz ou de worker. Por que a garantia de privacidade é verificável? As políticas de acesso são publicadas no Rekor, o log de transparência pública do Sigstore. Auditores externos podem rastrear cada s
Fonte: MarkTechPost
Publicado em 2026-10-04