据MarkTechPost报道，谷歌研究团队宣布推出基于可信执行环境（TEE）的下一代联邦学习系统，并称首次为联邦学习提供可外部验证的中心差分隐私保障。该系统已用于Gboard的英语和日语下一词预测模型，谷歌称其在更强隐私保障下提升了准确率。

谷歌自2017年引入联邦学习，支撑Gboard下一词预测、智能撰写、Google Messages回复建议和Android智能文本选择。早期系统存在信任缺口：设备上传数据用于即时聚合，但外部无法验证数据从未被记录或检查。安全聚合虽增加密码学保护，却不兼容矩阵分解DP-FTRL等先进中心差分隐私算法，且谷歌仍需被信任能正确添加差分隐私噪声。新设计将客户端梯度计算移至服务器，并使服务器逻辑可验证，从而不再需要信任运营方。

据MarkTechPost报道，该系统建立在谷歌此前的机密联邦分析工作之上，由四部分协调。数据上传时，设备本地加密训练样本并预先授权访问策略，策略列明哪些TEE计算可处理数据，且必须出现在公共透明度日志中。密钥管理系统由运行RAFT共识协议的TEE构成，仅向符合策略的工作负载发放密钥。根TEE运行Python训练循环，并将子任务分配给工作TEE，编排使用派生自TensorFlow Federated的Federated Language。只有差分隐私模型权重会被释放。每轮还保存KMS加密的恢复状态，以处理根TEE或工作TEE故障。

隐私保障的可验证性来自访问策略发布至Rekor——Sigstore的公共透明度日志。外部审计者可以追踪设备数据可能流入的每一个服务器工作负载。KMS和数据处理二进制可从开源代码可复现构建，策略直接描述Python训练程序。为保护专有模型架构，TEE支持在运行时侧载序列化逻辑，但所有与隐私相关的逻辑必须硬编码在经过验证的程序中。工作负载运营方只能看到指标和差分隐私模型权重，加密数据在上传后仅能在有限时间内解密。

Gboard采用该系统后，英语和日语下一词预测模型获得更强隐私保障和更高准确率。两个设计选择推动这一结果：所有上传都在服务器训练运行前收集，设备可用性的昼夜波动不再拖慢训练，程序可计算最优参与时间表并调整差分隐私参数；瓶颈转移至服务器，此前的联邦学习模型每个需一至两个月训练，现在可跨机器并行，仅受TEE资源可用性限制。谷歌报告计算时间大幅加快，但没有公布单一加速数字。其隐私—效用曲线来自英语模型在两种系统上以每批6500台设备训练5000轮。