# \#federated-learning **URL:** https://discuss.pytorch.kr/tag/federated-learning/4228.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [Google의 TEE 기반 연합 학습(FL) 외부에서 검증 가능한 차등 프라이버시로 Gboard 모델 학습 사례 공유](https://discuss.pytorch.kr/t/google-tee-fl-gboard/12135)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [10월 11, 2026, 4:30오전 UTC](https://discuss.pytorch.kr/t/google-tee-fl-gboard/12135 "2026-10-11T04:30:14Z")
핵심 요약 Google Research는 Toward provably private learning from federated data 블로그 글과 같은 제목의 논문에서 새 연합 학습 시스템을 발표했습니다. 기기가 암호화한 학습 데이터는 서버의 TEE(신뢰 실행 환경) 안에서만 풀려 학습에 쓰입니다. 데이터를 처리할 수 있는 Python 프로그램과 바이너리는 업로드 전에 공개 투명성 로그(Rekor)에 등록되고, KMS는 그 목록과 일치하는 TEE에만 복호화 키를 줍니다. 그래서 서버가 차등 프라이버시 노이즈를 제대로 넣는지를 외부에서 코드로 확인할 수 있습니다. Gboard 영어 다음 단어 예측 A/B 테스트(각 군 3.5M 기기)에서 가장 좋은 TEE 실험군은 기존 운영 모델보다 프라이버시 예산이 약 3배 작았습니다(zCDP 0.641 → 0.215). 학습 기간은 2개월에서 3주로 줄었고, 타이핑 속도 등 핵심 사용성 지표는 같았습니다. 지금까지 학습한 모델은 10M 파라미터 이하이고, TEE의 부채널(Side-Channel) 문제, 런타임에 주입하는 비공개 로직, 최선 노력(best-effort) 수준의 데이터 만료(TTL) 같은 신뢰 경계가 남아 있습니다. Google의 TEE 기반 연합 학습 소개 Google Research는 2026년 10월 2일 블로그 글로, 신뢰 실행 환경(Trusted Execution Environment, TEE) 위에서 동작하는 차세대 연합 학습(Federated Learning, FL) 시스템을 발표했습니다. 세부 설계와 실험은 arXiv 논문(2609.31494, 9월 30일 v4)에 있습니다. 이 시스템의 핵심은 기기 데이터가 서버로 올라간 뒤에도, 그 데이터를 어떤 코드가 어떻게 처리하는지를 Google 바깥의 제3자가 검증할 수 있게 한 것입니다. 저자들은 이를 "외부에서 검증 가능한 중앙 차등 프라이버시(central DP) 보장을 처음으로 제공한다"고 설명합니다. 이 시스템은 이미 Gboard(An… --- ## [NeurIPS 2024에 공개한 Apple의 주요 연구 소개](https://discuss.pytorch.kr/t/neurips-2024-apple/5745)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [12월 30, 2024, 3:00오전 UTC](https://discuss.pytorch.kr/t/neurips-2024-apple/5745 "2024-12-30T03:00:03Z")
NeurIPS 2024에 공개한 Apple의 주요 연구 소개 지난 12월 중순에 진행된 NeurIPS(Neural Information Processing Systems) 2024는 AI와 머신러닝(Machine Learning, ML) 분야에서 가장 중요한 연례 학회 중 하나로, 캐나다 밴쿠버에서 개최됩니다. 이번 NeurIPS 2024에서 Apple은 ML과 AI의 발전을 목표로 한 연구를 통해 프라이버시 보호 기술, 멀티모달 모델 향상, LLM 성능 개선 등 다양한 주제를 발표하였습니다. 각 연구들에 대해서 간략히 살펴보시죠. 프라이버시 보호 머신러닝: Advancing Privacy-Preserving ML Apple은 개인정보 보호가 인간의 기본적 권리라고 믿으며, 개인정보 보호 ML 기술을 발전시키는 것을 지속적인 연구 주제로 삼고 있습니다. NeurIPS 2024에서 Apple 연구원들은 연합 학습(FL, Federated Learning)과 관련된 두 편의 논문을 발표하였습니다. FL(Federated Learning)을 연구하는 연구원들은 새로운 아이디어를 빠르게 반복하기 위해 시뮬레이션을 통한 실험을 자주 수행합니다. Apple 연구원들은 pfl-research: 개인 연합 학습의 연구 가속화를 위한 시뮬레이션 프레임워크는 연구 커뮤니티가 이 주제에 대해 더 많은 진전을 이룰 수 있도록 지원하는 빠르고 모듈식이며 사용하기 쉬운 FL 시뮬레이션용 Python 프레임워크입니다. Apple 연구원들은 또한 개인 연합 학습을 사용하여 개인화된 빈도 히스토그램을 비공개로 계산하는 새로운 접근 방식을 설명하는 연합 설정에서의 비공개 및 개인화된 빈도 추정을 발표하였습니다. 개인화된 단어(또는 토큰)의 빈도는 사용자 디바이스에서 키보드 입력을 위한 다음 단어 예측에 유용합니다. 대부분의 사용자는 사용 데이터가 거의 없고 사용자의 다양한 어휘, 주제, 스타일로 인해 데이터 분포가 다양하기 때문에 이 작업은 어렵습니다. 이 논문에서는 유사한 사용…