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》。
「安全」频道最新
- COLM 2026 开设 DAIH 工作坊,聚焦医疗 LLM/VLM 落地部署 — StellaLisy · 2026-10-03
- Wired 报道 Trillium Labs:把递归自我改进等高危研究做在阳光下 — nordicinst · 2026-10-03
- 反爬虫围栏蔓延:Cloudflare Turnstile 正阻断普通用户访问 — sethlazar · 2026-10-02
- 新论文:前沿模型可用填充 token 做不可见的 CoT 外推理 — PandaAshwinee · 2026-10-02
- Polymarket 开盘赌美国州级数据中心禁令，年内概率仅 18% — Polymarket · 2026-10-02
- NVIDIA 推出 Open Agent 安全平台，超 100 家机构接入 — mikeflache · 2026-10-02