Google avança com aprendizado federado usando tees, aprimorando a privacidade no gboard

A Google Research revelou um novo sistema de Aprendizado Federado (FL) que utiliza Ambientes de Execução Confiáveis (TEEs) para fornecer privacidade diferencial verificável externamente. Esta inovação marca a primeira vez que o FL alcança tais garantias de privacidade. O sistema transfere o cálculo do gradiente do cliente para o servidor, tornando a lógica do servidor verificável e reduzindo a dependência na confiança no operador. O Gboard agora utiliza este sistema para aprimorar os modelos de previsão da próxima palavra em inglês e japonês, com maior privacidade e precisão aprimorada. O sistema integra quatro componentes principais, incluindo políticas de acesso publicadas no Rekor, e garante que toda a lógica relevante para a privacidade permaneça codificada no programa verificado. O design permite que auditores externos rastreiem as cargas de trabalho do servidor e verifiquem se os dados não são registrados ou inspecionados. Este desenvolvimento se baseia no trabalho anterior de análise federada confidencial da Google e visa abordar a lacuna de confiança nos sistemas FL anteriores. As fontes incluem o blog da Google Research, o repositório Confidential Federated Compute e a documentação NVIDIA FLARE. Verificado em 4 de outubro de 2026.