Framework combina TEE de CPU com GPUs não confiáveis para certificar treinamento com privacidade diferencial em hardware legado
Certificar que um modelo foi treinado com privacidade diferencial (DP) de forma correta é um problema difícil quando o verificador não pode acessar os dados privados originais, e abordagens criptográficas como provas de conhecimento zero têm overhead proibitivo. O artigo propõe usar um Trusted Execution Environment de CPU para verificar probabilisticamente os gradientes computados por GPUs não confiáveis, obtendo detecção de desvios maliciosos de DP com overhead modesto mesmo em GPUs legadas sem suporte a TEE multi-GPU.
Fonte ↗