蚂蚁数科提出隐私保护AI新算法，推理效率提升超100倍

近日，蚂蚁数科两项隐私计算技术成果入选全球顶级会议ACM CCS和权威期刊IEEE TDSC，展现了其在隐私保护人工智能领域的领先地位。这两项研究聚焦跨机构联合建模中广泛应用的梯度提升决策树（GBDT）模型，通过创新算法解决了数据隐私与高性能计算之间的难题。

研究成果包括被ACM CCS 2025收录的《Gibbon: Faster Secure Two-party Training of Gradient Boosting Decision Tree》和被IEEE TDSC录用的《Privacy-preserving Decision Graph Inference from Homomorphic Lookup Table》。GBDT类模型（如XGBoost、LightGBM）因强可解释性和快速预测能力，广泛应用于营销和风控场景，但在多方协作中常面临“安全强则效率低”的困境。

当前联邦学习（FL）方案虽性能较高，但存在信息泄露风险，例如SecureBoost方案的安全隐患已被披露。蚂蚁数科选择更高安全等级的多方安全计算（MPC）路线，结合GBDT算法与先进密码学设计，实现突破：
- 训练效率：新型框架Gibbon比现有MPC方案快2～4倍，性能优于SecureBoost开源实现。
- 推理效率：同态查找表技术支持GBDT、决策树等模型，推理效率提升2～3个数量级。

这些成果已应用于蚂蚁数科隐私计算系列产品，支持高安全、高性能的跨机构数据协作。其产品矩阵覆盖多场景，包括可信数据流通平台FAIR、隐私计算解决方案摩斯（Morse）、密态中间件及大模型隐私保护工具。

ACM CCS和IEEE TDSC均为信息安全领域最高学术代表，彰显蚂蚁数科技术的国际认可度。