近日，全球安全頂級(jí)會(huì)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(xiàng)隱私計(jì)算創(chuàng)新技術(shù)成果入選，標(biāo)志著螞蟻數(shù)科在隱私保護(hù)人工智能（Privacy-Preserving AI）技術(shù)領(lǐng)域的持續(xù)領(lǐng)先。這兩項(xiàng)研究聚焦當(dāng)前跨機(jī)構(gòu)聯(lián)合建模中應(yīng)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(hù)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(shí)現(xiàn)高性能計(jì)算的技術(shù)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(zhǎng)臂猿：更快的2方安全GBDT訓(xùn)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(hù)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(qiáng)，預(yù)測(cè)速度快，廣泛應(yīng)用于營(yíng)銷、風(fēng)控等場(chǎng)景，是跨機(jī)構(gòu)聯(lián)合建模中最流行最常用的算法。然而，在多方協(xié)作訓(xùn)練與推理過程中，如何在保障數(shù)據(jù)隱私的前提下實(shí)現(xiàn)高性能計(jì)算，長(zhǎng)期面臨“安全強(qiáng)則效率低，效率高則隱患多”的兩難困境。

當(dāng)前業(yè)界多采用聯(lián)邦學(xué)習(xí)（FL）路線，雖性能較高，但存在潛在的信息泄露風(fēng)險(xiǎn)。例如，隱私計(jì)算聯(lián)盟于2024年發(fā)布的《隱私計(jì)算產(chǎn)品通用安全分級(jí)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(fēng)險(xiǎn)。

螞蟻數(shù)科則另辟蹊徑，選擇安全等級(jí)更高但性能挑戰(zhàn)更大的多方安全計(jì)算（MPC）技術(shù)路線，通過GBDT算法與先進(jìn)密碼學(xué)的深度協(xié)同設(shè)計(jì)，實(shí)現(xiàn)了安全與效率的雙重突破：

· 在訓(xùn)練方面：提出新型安全兩方GBDT訓(xùn)練框架Gibbon，相比當(dāng)前最先進(jìn)的MPC方案“Squirrel”（USENIX Security 2023），可將訓(xùn)練速度提升2～4倍，性能甚至優(yōu)于聯(lián)邦學(xué)習(xí)路線SecureBoost的開源實(shí)現(xiàn)。

· 在推理方面：創(chuàng)新性地提出同態(tài)查找表技術(shù)，實(shí)現(xiàn)隱私保護(hù)決策圖推理，支持GBDT、決策樹、評(píng)分卡等模型。其中，GBDT和決策樹的推理效率提升2～3個(gè)數(shù)量級(jí)。

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