Google의 발표는 연합 학습 방식에 주목할 만한 변화를 보여 줍니다. 클라이언트 측 연산과 서버 운영자에 대한 신뢰에 주로 의존하는 대신, 새 시스템은 기기에서 생성된 데이터를 암호화해 업로드하고 서버 측 처리를 증명된 신뢰 실행 환경(TEE) 안에서만 수행하도록 제한합니다. 기기는 사전에 승인한 접근 정책을 공개 투명성 로그에 게시하며, 키 관리 시스템(KMS)은 증명된 워크로드가 해당 정책과 일치하는 TEE에만 복호화 키를 제공합니다. 암호화된 업로드, 증명 가능한 실행, 정책 결합이 맞물려 외부 검증자가 시스템이 약속대로 작동했는지 확인할 수 있는 감사 경로를 마련합니다.
운영 측면에서 이 시스템은 Gboard의 모델 개선 주기를 단축하고, 더 큰 사용자 집단을 학습에 활용하며, 정확도를 높인다는 기존 목표를 유지하면서 개인정보 보호를 뒷받침하는 근거를 강화합니다. 무거운 연산을 서버 측 TEE로 옮기면 기기 가용성과 온디바이스 CPU 성능의 변동에 덜 의존할 수 있습니다. 그 결과 학습 일정을 체계적으로 조정하고, 차등 프라이버시(DP) 매개변수를 더 정밀하게 조정하며, 여러 작업자 TEE에서 병렬로 실행할 수 있습니다. 실제로 Gboard의 다음 단어 예측 모델 학습 시간을 크게 줄이는 동시에, 코호트 선별 최적화와 감사 가능한 중앙 집중식 오케스트레이션을 통해 더 작은 노이즈 배수를 사용할 수 있게 됐습니다.
감사자와 개인정보 보호팀에 특히 중요한 점은 이 아키텍처가 서로 다른 신뢰 문제를 해결하는 기술적 통제를 하나로 엮는다는 것입니다. 재현 가능한 빌드와 오픈소스 코드를 통해 제3자가 바이너리를 직접 다시 만들 수 있고, Rekor와 같은 투명성 로그로 승인된 워크로드 목록을 공개하며, 증명과 KMS 정책 검사를 통해 키를 특정 증명 코드에 연결합니다. 또한 차등 프라이버시는 공개되는 집계 모델 가중치에서 개인 데이터가 노출되지 않도록 합니다. 각 요소를 따로 보는 대신 서로 어떻게 맞물리는지 파악해야 실제 배포에서 운영자를 신뢰할 필요가 사라졌는지 평가할 수 있습니다.