Google 新一代联邦学习:TEE 实现可验证差分隐私并提速训练
gaganghotra_ · x · 2026-10-02
Google Research 宣布新一代联邦学习(FL)系统,核心变化有两点:
- 可验证的隐私保证:借助可信执行环境(TEE),差分隐私(DP)保障首次可被外部验证与审计,而不只是算法层面的承诺。
- 计算上移到服务器:将部分训练计算从设备端迁到服务端,以缩短训练时间、提升精度并扩大设备覆盖。
该系统延续了 Google 自 2017 年提出 FL 以来的四大隐私原则:数据最小化、数据匿名化、透明与可控、可验证与可审计。此前 Google 已通过 MF-DP-FTRL 和分布式差分隐私结合 Secure Aggregation 在 Gboard 下一词预测、Smart Compose、消息回复建议、Android 智能文本选择等生产模型上实现强 DP 保证。2025 年 Google 还更新了 FL 的定义,强调客户端对数据、可访问负载及匿名化属性的控制权。技术细节见论文《Toward provably private learning from federated data》。
所属事件:Google 用 TEE 升级联邦学习,实现可验证差分隐私(2 条相关)→
「安全」频道最新
- 写给政策制定者的 AI 评测入门:看榜单前先问这五个问题 — sethlazar · 2026-11-19
- Railway 遭 breach 后追踪发现:同一 LLM 攻击基础设施仍在攻击其他公司 — cyb3rops · 2026-11-19
- Anthropic 携手埃森哲设驻场评估员,双方各投至少 10 亿美元 — zetalyrae · 2026-11-19
- 加州专家小组建议 AI 紧急关停权与强制第三方监督 — Miles_Brundage · 2026-11-19
- 学者联署「理解审计」提案:给递归自改进 AI 设安全闸门 — ronbodkin · 2026-11-19
- Anthropic 详解前沿模型发布的四层安全防护体系 — kaicathyc · 2026-11-19