Google Research, güvenilir yürütme ortamları üzerine kurulu yeni nesil bir federated learning sistemi başlattı; bu, makine öğrenimine ilk kez dışarıdan doğrulanabilir merkezi diferansiyel gizlilik garantileri getiriyor. Güncellenen mimari, istemci gradient hesaplamasını doğrudan onaylı sunucu ortamlarına taşıyarak, kullanıcıların ve geliştiricilerin yalnızca merkezi operatörlere diferansiyel gizliliği doğru uygulamaları ve hassas verileri güvenli bir şekilde yönetmeleri gerektiği uzun süredir var olan güven boşluğunu kapatıyor.
Sistem, doğrulanabilir veri işleme sağlamak için dört temel operasyonel bileşeni koordine eder. Cihazlar, eğitim örneklerini yerel olarak şifreler ve Rekor şeffaflık günlüğünde kamuya açık olarak kaydedilen katı erişim politikalarını önceden yetkilendirir. RAFT mutabakat protokolünü çalıştıran güvenilir yürütme ortamlarından oluşturulan bir anahtar yönetim sistemi, yalnızca bu doğrulanmış politikalara uyan iş yüklerine şifre çözme anahtarlarını verir. Bir kök yürütme ortamı, TensorFlow Federated'ten türetilen çerçevelerle bir Python eğitim döngüsünü yönetir; sadece diferansiyel gizlilikli model ağırlıklarını serbest bırakır ve şifreli verilerin yalnızca kesinlikle sınırlı bir süre için erişilebilir olmasını sağlar.
Google, bu yeni çerçeveyi üretimde zaten İngilizce ve Japonca sonraki kelime tahmin modellerini Gboard üzerinde çalıştırmak için kullanıyor; bu sayede daha güçlü gizlilik korumaları elde edilirken model doğruluğu da artıyor. Eğitim darboğazını mobil cihazlardan paralel sunucu altyapısına taşıyarak, sistem cihaz kullanılabilirliğindeki gündüz‑gece dalgalanmalarından kaynaklanan geleneksel gecikmeleri ortadan kaldırıyor ve hesaplama sürelerini önemli ölçüde hızlandırıyor. Bu gelişme, gizlilik korumalı makine öğrenimi için şeffaf, sesli olarak doğrulanabilir bir standart oluşturması ve merkezi sistemlere körü körüne güven ihtiyacını ortadan kaldırması bakımından önem taşıyor.