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。
来源: Google AI Blog · 由HeadlinesBriefing整理摘要