Googleは10月2日(現地時間)、Trusted Execution Environments（TEEs）を活用した次世代のFederated Learning（FL）システムを発表した。この新システムは、外部から検証可能なプライバシー保証を提供しつつ、計算をサーバー側に移行することで、トレーニング速度、精度、デバイスカバレッジの向上を実現する。すでにGboardの次単語予測モデルに導入され、計算時間の短縮とより強力なプライバシー保護を両立している。
Googleは2017年に、分散されたプライベートデータを用いてモデルをトレーニングする機械学習技術であるFederated Learning（FL）を導入した。この技術は、Gboardの次単語予測、Smart Compose、Google Messagesの返信候補、AndroidのSmart Text Selectionといった日々の機能に幅広く活用されている。
FLシステムの開発は、データ最小化、匿名化、透明性と管理、検証可能性と監査可能性という四つの主要なプライバシー原則に基づいている。今回新たに発表されたFLシステムは、これらの原則をさらに強化するためにTrusted Execution Environments（TEEs）を利用している。TEEsは、外部から完全に検証および監査可能なデータ匿名化保証を提供する。TEEs内で実行されるロジックはリモートで検証可能であり、その内部状態は観察されることなく、ロジックが妨害されないという機密性と完全性を持つ。このTEEベースのFLシステムにより、エンドツーエンドでより強力なプライバシー保証と精度向上が実現された。
新システムは、データアップロード、Key Management System（KMS）とポリシー検証、ワークロード実行、フォールトトレラントリカバリという四つの核となる運用概念を綿密に調整する。まず、クライアントデバイスはトレーニングデータを暗号化してアップロードし、許可されるTEE計算のアクセスポリシーを事前に承認する。次に、KMSは、承認されたアクセスポリシーと一致するサーバーサイドのTEEワークロードにのみ復号キーを提供する。データ処理を担うTEEは、Federated Languageで表現されたトレーニングループを実行し、匿名化されたモデルウェイトをデータアナリストに定期的に公開する。
以前のFLシステムでは、デバイスデータは即時集約のためにアップロードされていたものの、データが記録または検査されていないことを外部の観測者が検証する手段は存在しなかった。しかし、新しいTEEベースのFLシステムでは、暗号化されたトレーニングデータはTEEs内でのみ復号および処理される。これにより、ワークロードオペレーターには、差分プライバシーを適用したモデルウェイトと関連メトリクスのみが可視化される。さらに、アクセスポリシーは公開透明性ログに公開され、外部の監査者がサーバーサイドのワークロードを追跡できる仕組みが確立されている。
このTEEベースのFLシステムは、すでにGboardの次単語予測モデルに導入されている。導入の結果、より強力なプライバシー保証と精度の向上を達成した。また、デバイスの可用性の変動がトレーニングの進行に与える影響を緩和し、以前のシステムと比較して計算時間が大幅に短縮されている。
参考: Google Research Blog (アーカイブ) — 2026年10月2日 23:57 (JST)