近日，全球安全頂級會議ACM CCS以及頂刊IEEE TDSC發(fā)布獲選論文名單，螞蟻數(shù)科的兩項隱私計算創(chuàng)新技術成果入選，標志著螞蟻數(shù)科在隱私保護人工智能（Privacy-Preserving AI）技術領域的持續(xù)領先。這兩項研究聚焦當前跨機構聯(lián)合建模中應用最廣泛的梯度提升決策樹（GBDT）模型，通過創(chuàng)新的隱私保護算法，解決了聯(lián)合建模和聯(lián)合推理中如何在保障數(shù)據(jù)隱私前提下實現(xiàn)高性能計算的技術難題。

這兩研究成果分別是被ACM CCS2025收錄的《Gibbon: Faster Secure Two-party Training of Gradient Boosting Decision Tree》（長臂猿：更快的2方安全GBDT訓練框架）與被IEEE TDSC錄用的《Privacy-preserving Decision Graph Inference from Homomorphic Lookup Table》（基于同態(tài)查找表的隱私保護決策圖推理）

GBDT類模型（包括XGBoost、LightGBM等）是一種基于梯度提升的決策樹算法，可解釋性強，預測速度快，廣泛應用于營銷、風控等場景，是跨機構聯(lián)合建模中最流行最常用的算法。然而，在多方協(xié)作訓練與推理過程中，如何在保障數(shù)據(jù)隱私的前提下實現(xiàn)高性能計算，長期面臨“安全強則效率低，效率高則隱患多”的兩難困境。

當前業(yè)界多采用聯(lián)邦學習（FL）路線，雖性能較高，但存在潛在的信息泄露風險。例如，隱私計算聯(lián)盟于2024年發(fā)布的《隱私計算產(chǎn)品通用安全分級白皮書》中就分析、披露了業(yè)內(nèi)最流行的FL方案SecureBoost的信息泄露風險。

螞蟻數(shù)科則另辟蹊徑，選擇安全等級更高但性能挑戰(zhàn)更大的多方安全計算（MPC）技術路線，通過GBDT算法與先進密碼學的深度協(xié)同設計，實現(xiàn)了安全與效率的雙重突破：

· 在訓練方面：提出新型安全兩方GBDT訓練框架Gibbon，相比當前最先進的MPC方案“Squirrel”（USENIX Security 2023），可將訓練速度提升2～4倍，性能甚至優(yōu)于聯(lián)邦學習路線SecureBoost的開源實現(xiàn)。

· 在推理方面：創(chuàng)新性地提出同態(tài)查找表技術，實現(xiàn)隱私保護決策圖推理，支持GBDT、決策樹、評分卡等模型。其中，GBDT和決策樹的推理效率提升2～3個數(shù)量級。

目前，上述研究成果已應用于螞蟻數(shù)科隱私計算系列產(chǎn)品中，全面支持跨機構間高安全、高性能、可落地的數(shù)據(jù)協(xié)作。