Toward provably private learning from federated data

In 2017, Google introduced Federated Learning (FL), a machine learning technique that trains models across decentralized, private data. It powers features like next-word prediction and Smart Compose on Gboard, reply suggestions in Google Messages, and Smart Text Selection in Android. FL development is guided by four essential privacy principles: data minimization, data anonymization, transparency and control, and verifiability and auditability.

Years of research led to strong differential privacy (DP) guarantees using algorithms like MF-DP-FTRL and distributed DP with Secure Aggregation. In 2025, Google introduced an evolved FL definition centered on these principles. In “Toward provably private learning from federated data”, Google announces the next generation of its FL system, leveraging Trusted Execution Environments (TEEs) to provide fully verifiable and auditable data anonymization guarantees.

TEEs offer remotely attestable logic, confidentiality, and integrity. Gboard has already adopted the new system, benefiting from substantially faster compute times. The TEE-based FL system coordinates data upload, KMS and policy verification, workload execution, and fault-tolerant recovery. For more details, see the whitepaper.

في عام 2017، قدمت Google التعلم الموحد (FL)، وهي تقنية تعلم آلي تدرب النماذج عبر البيانات اللامركزية الخاصة. وهي تدعم ميزات مثل التنبؤ بالكلمة التالية وSmart Compose على Gboard، واقتراحات الرد في Google Messages، وSmart Text Selection في Android. يسترشد تطوير FL بأربعة مبادئ أساسية للخصوصية: تقليل البيانات، وإخفاء هوية البيانات، والشفافية والتحكم، وقابلية التحقق والتدقيق. أدت سنوات من البحث إلى ضمانات قوية للخصوصية التفاضلية (DP) باستخدام خوارزميات مثل MF-DP-FTRL وDP الموزعة مع التجميع الآمن. في 2025، قدمت Google تعريفًا متطورًا لـ FL يركز على هذه المبادئ. في “نحو تعلم خاص بشكل قابل للإثبات من البيانات الموحدة”، تعلن Google عن الجيل التالي من نظام FL الخاص بها، والذي يستخدم بيئات التنفيذ الموثوقة (TEE) لتوفير ضمانات إخفاء هوية بيانات قابلة للتحقق والتدقيق بالكامل. توفر TEE منطقًا قابلًا للتصديق عن بُعد، وسرية، وسلامة. Gboard قد اعتمدت بالفعل النظام الجديد، وتستفيد من أوقات حساب أسرع بشكل كبير من نظام FL السابق. ينسق نظام FL القائم على TEE تحميل البيانات، والتحقق من KMS والسياسة، وتنفيذ عبء العمل، والاسترداد المتسامح مع الأخطاء. لمزيد من التفاصيل، راجع المستند التقني.

2017 সালে, Google ফেডারেটেড লার্নিং (FL) চালু করে, একটি মেশিন লার্নিং কৌশল যা বিকেন্দ্রীভূত, ব্যক্তিগত ডেটার উপর মডেল প্রশিক্ষণ দেয়। এটি Gboard-এ পরবর্তী-শব্দ পূর্বাভাস এবং Smart Compose, Google Messages-এ উত্তর পরামর্শ এবং Android-এ Smart Text Selection-এর মতো বৈশিষ্ট্যগুলিকে শক্তি দেয়। FL উন্নয়ন চারটি অপরিহার্য গোপনীয়তা নীতি দ্বারা পরিচালিত হয়: ডেটা মিনিমাইজেশন, ডেটা বেনামীকরণ, স্বচ্ছতা এবং নিয়ন্ত্রণ, এবং যাচাইযোগ্যতা এবং নিরীক্ষাযোগ্যতা। বছরের পর বছর গবেষণা MF-DP-FTRL-এর মতো অ্যালগরিদম এবং সুরক্ষিত সমষ্টিকরণের সাথে বিতরণকৃত DP ব্যবহার করে শক্তিশালী ডিফারেনশিয়াল প্রাইভেসি (DP) গ্যারান্টি প্রদান করেছে। 2025-এ, Google এই নীতিগুলির উপর কেন্দ্রীভূত FL-এর একটি বিবর্তিত সংজ্ঞা চালু করে। “ফেডারেটেড ডেটা থেকে প্রমাণযোগ্যভাবে ব্যক্তিগত শিক্ষার দিকে”তে, Google তার FL সিস্টেমের পরবর্তী প্রজন্মের ঘোষণা করে, যা সম্পূর্ণরূপে যাচাইযোগ্য এবং নিরীক্ষাযোগ্য ডেটা বেনামীকরণ গ্যারান্টি প্রদানের জন্য বিশ্বস্ত নির্বাহ পরিবেশ (TEE) ব্যবহার করে। TEE দূরবর্তীভাবে প্রমাণযোগ্য যুক্তি, গোপনীয়তা এবং অখণ্ডতা প্রদান করে। Gboard ইতিমধ্যেই নতুন সিস্টেম গ্রহণ করেছে, এবং পূর্ববর্তী FL সিস্টেমের তুলনায় যথেষ্ট দ্রুত গণনার সময় থেকে উপকৃত হচ্ছে। TEE-ভিত্তিক FL সিস্টেম ডেটা আপলোড, KMS এবং নীতি যাচাইকরণ, ওয়ার্কলোড নির্বাহ এবং ত্রুটি-সহনশীল পুনরুদ্ধারের সমন্বয় করে। আরও বিশদের জন্য, শ্বেতপত্র দেখুন।

Im Jahr 2017 führte Google das föderierte Lernen (FL) ein, eine Technik des maschinellen Lernens, die Modelle über dezentrale, private Daten trainiert. Es unterstützt Funktionen wie die Vorhersage des nächsten Wortes und Smart Compose auf Gboard, Antwortvorschläge in Google Messages und Smart Text Selection in Android. Die FL-Entwicklung wird von vier wesentlichen Datenschutzprinzipien geleitet: Datenminimierung, Datenanonymisierung, Transparenz und Kontrolle sowie Überprüfbarkeit und Auditierbarkeit.

Jahrelange Forschung führte zu starken Garantien für differenzielle Privatsphäre (DP) unter Verwendung von Algorithmen wie MF-DP-FTRL und verteilter DP mit sicherer Aggregation. Im Jahr 2025 führte Google eine weiterentwickelte Definition von FL ein, die auf diesen Prinzipien basiert. In „Auf dem Weg zu beweisbar privatem Lernen aus föderierten Daten“ kündigt Google die nächste Generation seines FL-Systems an, das Trusted Execution Environments (TEEs) nutzt, um vollständig überprüfbare und auditierbare Garantien für die Datenanonymisierung zu bieten.

TEEs bieten remote attestierbare Logik, Vertraulichkeit und Integrität. Gboard hat das neue System bereits übernommen und profitiert von erheblich schnelleren Rechenzeiten als das vorherige FL-System. Das TEE-basierte FL-System koordiniert den Datenupload, die KMS- und Richtlinienüberprüfung, die Arbeitslastausführung und die fehlertolerante Wiederherstellung. Weitere Einzelheiten finden Sie im Whitepaper.

En 2017, Google introdujo el Aprendizaje Federado (FL), una técnica de aprendizaje automático que entrena modelos en datos descentralizados y privados. Impulsa funciones como la predicción de la siguiente palabra y Smart Compose en Gboard, sugerencias de respuesta en Google Messages y Smart Text Selection en Android. El desarrollo de FL se guía por cuatro principios esenciales de privacidad: minimización de datos, anonimización de datos, transparencia y control, y verificabilidad y auditabilidad.

Años de investigación llevaron a sólidas garantías de privacidad diferencial (DP) utilizando algoritmos como MF-DP-FTRL y DP distribuida con Agregación Segura. En 2025, Google introdujo una definición evolucionada de FL centrada en estos principios. En “Hacia un aprendizaje privado demostrable a partir de datos federados”, Google anuncia la próxima generación de su sistema FL, que aprovecha los Entornos de Ejecución Confiables (TEE) para proporcionar garantías de anonimización de datos totalmente verificables y auditables.

Los TEE ofrecen lógica atestiguable remotamente, confidencialidad e integridad. Gboard ya ha adoptado el nuevo sistema, beneficiándose de tiempos de cómputo sustancialmente más rápidos. El sistema FL basado en TEE coordina la carga de datos, la verificación de KMS y políticas, la ejecución de cargas de trabajo y la recuperación tolerante a fallos. Para más detalles, consulte el documento técnico.

En 2017, Google a introduit l'apprentissage fédéré (FL), une technique d'apprentissage automatique qui entraîne des modèles sur des données décentralisées et privées. Il alimente des fonctionnalités telles que la prédiction du mot suivant et Smart Compose sur Gboard, les suggestions de réponse dans Google Messages et Smart Text Selection dans Android. Le développement de FL est guidé par quatre principes essentiels de confidentialité : minimisation des données, anonymisation des données, transparence et contrôle, et vérifiabilité et auditabilité.

Des années de recherche ont conduit à de fortes garanties de confidentialité différentielle (DP) utilisant des algorithmes comme MF-DP-FTRL et DP distribuée avec Secure Aggregation. En 2025, Google a introduit une définition évoluée de FL centrée sur ces principes. Dans “Vers un apprentissage privé prouvable à partir de données fédérées”, Google annonce la prochaine génération de son système FL, qui exploite les environnements d'exécution de confiance (TEE) pour fournir des garanties d'anonymisation des données entièrement vérifiables et auditable.

Les TEE offrent une logique attestable à distance, une confidentialité et une intégrité. Gboard a déjà adopté le nouveau système, bénéficiant de temps de calcul considérablement plus rapides. Le système FL basé sur TEE coordonne le téléchargement de données, la vérification KMS et des politiques, l'exécution des charges de travail et la récupération tolérante aux pannes. Pour plus de détails, consultez le livre blanc.

2017 में, Google ने फ़ेडरेटेड लर्निंग (FL) पेश किया, एक मशीन लर्निंग तकनीक जो विकेंद्रीकृत, निजी डेटा पर मॉडल प्रशिक्षित करती है। यह Gboard पर अगले-शब्द पूर्वानुमान और Smart Compose, Google Messages में उत्तर सुझाव, और Android में Smart Text Selection जैसी सुविधाओं को संचालित करता है। FL विकास चार आवश्यक गोपनीयता सिद्धांतों द्वारा निर्देशित है: डेटा न्यूनीकरण, डेटा अनामीकरण, पारदर्शिता और नियंत्रण, और सत्यापनीयता और लेखापरीक्षा। वर्षों के शोध ने MF-DP-FTRL जैसे एल्गोरिदम और सुरक्षित एकत्रीकरण के साथ वितरित DP का उपयोग करके मजबूत विभेदक गोपनीयता (DP) गारंटी प्रदान की। 2025 में, Google ने इन सिद्धांतों पर केंद्रित FL की एक विकसित परिभाषा पेश की। “फ़ेडरेटेड डेटा से सिद्ध रूप से निजी सीखने की ओर” में, Google अपने FL सिस्टम की अगली पीढ़ी की घोषणा करता है, जो पूरी तरह से सत्यापन योग्य और लेखापरीक्षा योग्य डेटा अनामीकरण गारंटी प्रदान करने के लिए विश्वसनीय निष्पादन वातावरण (TEE) का लाभ उठाता है। TEE दूरस्थ रूप से प्रमाणित करने योग्य तर्क, गोपनीयता और अखंडता प्रदान करते हैं। Gboard ने पहले ही नई प्रणाली को अपना लिया है, और पिछले FL सिस्टम की तुलना में काफी तेज़ कंप्यूट समय से लाभान्वित हो रहा है। TEE-आधारित FL सिस्टम डेटा अपलोड, KMS और नीति सत्यापन, कार्यभार निष्पादन और दोष-सहिष्णु पुनर्प्राप्ति का समन्वय करता है। अधिक जानकारी के लिए, श्वेतपत्र देखें।

Pada tahun 2017, Google memperkenalkan Federated Learning (FL), sebuah teknik machine learning yang melatih model di seluruh data pribadi yang terdesentralisasi. Ini mendukung fitur seperti prediksi kata berikutnya dan Smart Compose di Gboard, saran balasan di Google Messages, dan Smart Text Selection di Android. Pengembangan FL dipandu oleh empat prinsip privasi penting: minimalisasi data, anonimisasi data, transparansi dan kontrol, serta verifiabilitas dan auditabilitas.

Penelitian bertahun-tahun menghasilkan jaminan differential privacy (DP) yang kuat menggunakan algoritma seperti MF-DP-FTRL dan DP terdistribusi dengan Secure Aggregation. Pada 2025, Google memperkenalkan definisi FL yang berevolusi yang berpusat pada prinsip-prinsip ini. Dalam “Menuju pembelajaran privat yang dapat dibuktikan dari data federasi”, Google mengumumkan generasi berikutnya dari sistem FL-nya, yang memanfaatkan Trusted Execution Environments (TEE) untuk memberikan jaminan anonimisasi data yang sepenuhnya dapat diverifikasi dan diaudit.

TEE menawarkan logika yang dapat diatribusikan dari jarak jauh, kerahasiaan, dan integritas. Gboard telah mengadopsi sistem baru ini dan mendapatkan manfaat dari waktu komputasi yang jauh lebih cepat daripada sistem FL sebelumnya. Sistem FL berbasis TEE mengoordinasikan unggahan data, verifikasi KMS dan kebijakan, eksekusi beban kerja, dan pemulihan toleran kesalahan. Untuk detail lebih lanjut, lihat whitepaper.

2017年、Googleは連合学習（FL）を導入しました。これは、分散されたプライベートデータ上でモデルをトレーニングする機械学習技術です。Gboardでの次の単語予測やSmart Compose、Google Messagesでの返信提案、AndroidでのSmart Text Selectionなどの機能を支えています。FLの開発は、データ最小化、データ匿名化、透明性と制御、検証可能性と監査可能性という4つの重要なプライバシー原則に基づいています。長年の研究により、MF-DP-FTRLなどのアルゴリズムとSecure Aggregationを用いた分散DPを使用して、強力な差分プライバシー（DP）保証が実現されました。2025年、Googleはこれらの原則を中心とした進化したFLの定義を導入しました。「連合データからの証明可能なプライベート学習に向けて」の中で、GoogleはFLシステムの次世代を発表し、Trusted Execution Environments（TEE）を活用して完全に検証可能で監査可能なデータ匿名化保証を提供します。TEEは、リモートで証明可能なロジック、機密性、整合性を提供します。Gboardはすでに新しいシステムを採用し、以前のFLシステムよりも大幅に高速な計算時間の恩恵を受けています。TEEベースのFLシステムは、データアップロード、KMSとポリシーの検証、ワークロード実行、フォールトトレラントなリカバリを調整します。詳細については、ホワイトペーパーを参照してください。

Em 2017, o Google introduziu o Aprendizado Federado (FL), uma técnica de aprendizado de máquina que treina modelos em dados descentralizados e privados. Ele alimenta recursos como previsão da próxima palavra e Smart Compose no Gboard, sugestões de resposta no Google Messages e Smart Text Selection no Android. O desenvolvimento do FL é guiado por quatro princípios essenciais de privacidade: minimização de dados, anonimização de dados, transparência e controle, e verificabilidade e auditabilidade.

Anos de pesquisa levaram a fortes garantias de privacidade diferencial (DP) usando algoritmos como MF-DP-FTRL e DP distribuída com Agregação Segura. Em 2025, o Google introduziu uma definição evoluída de FL centrada nesses princípios. Em “Rumo ao aprendizado privado comprovável a partir de dados federados”, o Google anuncia a próxima geração de seu sistema FL, que aproveita Ambientes de Execução Confiáveis (TEE) para fornecer garantias de anonimização de dados totalmente verificáveis e auditáveis.

Os TEEs oferecem lógica atestável remotamente, confidencialidade e integridade. Gboard já adotou o novo sistema, beneficiando-se de tempos de computação substancialmente mais rápidos. O sistema FL baseado em TEE coordena o upload de dados, a verificação de KMS e políticas, a execução de cargas de trabalho e a recuperação tolerante a falhas. Para mais detalhes, consulte o whitepaper.

В 2017 году Google представил федеративное обучение (FL) — метод машинного обучения, который обучает модели на децентрализованных частных данных. Он обеспечивает такие функции, как предсказание следующего слова и Smart Compose в Gboard, предложения ответов в Google Messages и Smart Text Selection в Android. Разработка FL руководствуется четырьмя основными принципами конфиденциальности: минимизация данных, анонимизация данных, прозрачность и контроль, а также проверяемость и аудируемость. Многолетние исследования привели к сильным гарантиям дифференциальной конфиденциальности (DP) с использованием таких алгоритмов, как MF-DP-FTRL, и распределенной DP с безопасной агрегацией. В 2025 году Google представил эволюционировавшее определение FL, сосредоточенное на этих принципах. В статье «К доказуемо приватному обучению на федеративных данных» Google объявляет о следующем поколении своей системы FL, которая использует доверенные среды выполнения (TEE) для обеспечения полностью проверяемых и аудируемых гарантий анонимизации данных. TEE предлагают удаленно подтверждаемую логику, конфиденциальность и целостность. Gboard уже внедрил новую систему, получая выгоду от значительно более быстрого времени вычислений. Система FL на основе TEE координирует загрузку данных, проверку KMS и политик, выполнение рабочих нагрузок и отказоустойчивое восстановление. Для получения более подробной информации см. технический документ.

2017年，谷歌引入了联邦学习（FL），这是一种在分散的私有数据上训练模型的机器学习技术。它为Gboard上的下一个词预测和Smart Compose、Google Messages中的回复建议以及Android中的Smart Text Selection等功能提供支持。FL的开发遵循四项基本隐私原则：数据最小化、数据匿名化、透明度和控制、可验证性和可审计性。多年的研究通过使用MF-DP-FTRL等算法以及结合安全聚合的分布式差分隐私，实现了强大的差分隐私（DP）保证。在2025年，谷歌推出了以这些原则为中心的演进版FL定义。在“走向可证明的联邦数据隐私学习”中，谷歌宣布了其下一代FL系统，该系统利用可信执行环境（TEE）提供完全可验证和可审计的数据匿名化保证。TEE提供可远程验证的逻辑、机密性和完整性。Gboard已采用新系统，并受益于比之前的FL系统快得多的计算时间。基于TEE的FL系统协调数据上传、KMS和策略验证、工作负载执行以及容错恢复。更多详情请参阅白皮书。