Google 把联邦学习的匿名化逻辑搬进 TEE：隐私保证第一次能由外部验证
Google Research 10 月 2 日发文介绍新一代联邦学习（FL）系统。联邦学习 2017 年由 Google 提出，训练数据留在设备上，已用于 Gboard 的下一词预测与 Smart Compose、Google Messages 的回复建议、Android 的智能文本选择。新系统的两处变化：把主要计算从设备挪到服务端，以提高训练速度、精度与设备覆盖；并引入支持远程证明的可信执行环境（TEE）来承载匿名化逻辑。
官方称这是首次提供可外部验证的隐私保证，并把它接在此前 confidential federated analytics 与 provably private insights 的工作线上。它动的是一个长期不对称：设备侧联邦学习把数据留在了本地，但匿名化强度一直由服务方自述；把这段逻辑放进可远程证明的环境后，审计者可以自己去验正在执行的是什么。系统设计与隐私证明的细节放在随附白皮书里。
原文链接：Google Research 官方博客
核验记录
官方页 https://research.google/blog/toward-provably-private-learning-from-federated-data/ 直读 200 / 178,091 字节，页内可见日期「October 2, 2026」（该页不提供 JSON-LD datePublished，命中 0）。「2017 年提出 FL」「Gboard 下一词/ Smart Compose、Google Messages、Android 智能文本选择」「TEE 提供完全可验证可审计的匿名化保证」「shift computation to the server」逐字取自该页正文。对应论文 arXiv 2609.31494（Toward provably private learning from federated data）：citation_date 2026/09/25、citation_online_date 2026/09/30（v4），即论文首版比博客早 7 天、末版在窗内 —— 本条按官方博客发布日 10-02 定日。配图为该页 og:image（18,049 字节 JPEG），裸请求与带站内 Referer 各一次均 200。白皮书 PDF 本机未解析，隐私保证的数学表述未核。
← 上一篇Meta 开源 Muse 硬件 SDK：一块 ESP32 或一台树莓派就能把 Muse 接到自己的设备上下一篇 →Anthropic 掏 1 亿美元办学院：2027 年底前训 1 万名落地工程师