蚂蚁数科提出隐私保护 AI 新算法，可将推理效率提升超过 100 倍

近日，全球安全顶级会议 ACMCCS 以及顶刊 IEEETDSC 发布获选论文名单，蚂蚁数科的两项隐私计算创新技术成果入选，标志着蚂蚁数科在隐私保护人工智能（Privacy-PreservingAI） 技术领域的持续领先。这两项研究聚焦当前跨机构联合建模中应用最广泛的梯度提升决策树 (GBDT) 模型，通过创新的隐私保护算法，解决了联合建模和联合推理中如何在保障数据隐私前提下实现高性能计算的技术难题。

这两研究成果分别是被 ACMCCS2025 收录的 《Gibbon:FasterSecureTwo-partyTrainingofGradientBoostingDecisionTree》（长臂猿: 更快的 2 方安全 GBDT 训练框架） 与被 IEEETDSC 录用的 《Privacy-preservingDecisionGraphInferencefromHomomorphicLookupTable》(基于同态查找表的隐私保护决策图推理)

GBDT 类模型 （包括 XGBoost、LightGBM 等） 是一种基于梯度提升的决策树算法，可解释性强，预测速度快，广泛应用于营销、风控等场景，是跨机构联合建模中最流行最常用的算法。然而，在多方协作训练与推理过程中，如何在保障数据隐私的前提下实现高性能计算，长期面临 「安全强则效率低，效率高则隐患多」 的两难困境。

当前业界多采用联邦学习 （FL） 路线，虽性能较高，但存在潜在的信息泄露风险。例如，隐私计算联盟于 2024 年发布的 《隐私计算产品通用安全分级白皮书》 中就分析、披露了业内最流行的 FL 方案 SecureBoost 的信息泄露风险。

蚂蚁数科则另辟蹊径，选择安全等级更高但性能挑战更大的多方安全计算 （MPC） 技术路线，通过 GBDT 算法与先进密码学的深度协同设计，实现了安全与效率的双重突破: