|
**事件概述**
Google Research于2026年10月2日发布新一代联邦学习系统，将训练计算转移到服务器端可信执行环境（TEE），为数据处理提供可外部验证和审计的隐私保证。
**对象与发布方**
项目：基于TEE的联邦学习系统；发布方：Google Research；官方发布日期：2026年10月2日。
**关键能力**
- 设备端加密上传训练样本，并预先授权可访问数据的计算策略；服务器只有在工作负载匹配策略时才能取得解密密钥。
- TEE中的训练程序可远程证明，访问策略发布到Rekor透明日志，外部审计者可以检查服务器可能运行的工作负载。
- 系统仅向运营方暴露指标和差分隐私模型权重，训练数据只能在符合策略的TEE中短时间解密和处理。
- Google称Gboard已用该系统训练英语和日语下一词预测模型，服务器端并行化改善了训练速度和隐私—效用权衡。
**适用对象**
需要在不集中收集原始数据的前提下训练移动端或个性化模型的研究团队、设备平台和隐私敏感行业，可将其作为联邦学习基础设施参考。
**实际影响与限制**
该方案把“相信服务器不会查看数据”推进到可验证的代码、策略和执行环境，有望扩大联邦学习可处理的模型规模。系统仍依赖TEE硬件的机密性与完整性，Google也明确指出侧信道观察等风险仍需持续缓解；TEE资源可用性会影响训练速度，设备、密钥和透明日志配置也增加了工程复杂度。它是研究与基础设施发布，并不等同于所有开发者都能直接使用的托管服务。
**官方来源**
[Google Research：Toward provably private learning from federated data](https://research.google/blog/toward-provably-private-learning-from-federated-data/) |
0