Google avanza con el aprendizaje federado mediante tees, mejorando la privacidad en gboard

La investigación de Google ha presentado un nuevo sistema de Aprendizaje Federado (FL) que utiliza Entornos de Ejecución Confiables (TEE) para proporcionar una privacidad diferencial verificable externamente. Esta innovación marca la primera vez que el FL logra tales garantías de privacidad. El sistema traslada la computación de gradientes del cliente al servidor, lo que hace que la lógica del servidor sea verificable y reduce la dependencia de la confianza en el operador. Gboard ahora utiliza este sistema para mejorar los modelos de predicción de la siguiente palabra en inglés y japonés, con mayor privacidad y precisión mejorada. El sistema integra cuatro componentes principales, incluidos las políticas de acceso publicadas en Rekor, y garantiza que toda la lógica relevante para la privacidad permanezca codificada en el programa verificado. El diseño permite a los auditores externos rastrear la carga del servidor y verificar que los datos no se registran ni se inspeccionan. Este desarrollo se basa en el trabajo previo de Google en el análisis federado confidencial y tiene como objetivo abordar la brecha de confianza en los sistemas de FL anteriores. Las fuentes incluyen el blog de Google Research, el repositorio de Confidential Federated Compute y la documentación de NVIDIA FLARE. Verificado el 4 de octubre de 2026.