跨机构数据协作建模中，“隐私保护”与“计算效率”的平衡始终是困扰行业的核心痛点——联邦学习（FL）方案虽能满足效率需求，却被2024年隐私计算 consortium《隐私计算产品通用安全等级白皮书》指出存在信息泄露风险；多方计算（MPC）路线虽安全级别更高，却因性能短板难以规模化应用。近日，蚂蚁科技的两项创新成果为这一矛盾提供了破局路径。
针对跨机构协作中最常用的Gradient Boosting Decision Tree（GBDT）模型（涵盖XGBoost、LightGBM等衍生模型，因可解释性强、预测速度快，广泛应用于营销、风控等场景），蚂蚁科技旗下“Gibbon双 party安全GBDT训练框架”与“基于同态查找表的隐私保护决策图推理技术”，分别被ACM CCS 2025（国际信息安全旗舰会议，CCF-A类）、IEEE TDSC（IEEE计算机学会旗下可信计算权威期刊，CCF-A类）录用。两项技术通过MPC路线实现“安全不降级、效率大提升”，破解了GBDT联合建模的核心矛盾。
锚定MPC路线 实现安全与效率双突破
不同于行业主流的FL路线，蚂蚁科技锚定MPC这一“安全级别更高、但技术挑战更大”的方向深耕，通过GBDT算法逻辑与先进密码学技术的深度耦合，形成两项关键突破：
-
训练效率跃升：“Gibbon双 party安全GBDT训练框架”相较于2023年USENIX Security收录的当前最先进MPC方案Squirrel，训练速度提升2至4倍，甚至优于FL路线SecureBoost的开源实现。这意味着机构无需在“隐私保护”与“训练效率”间做取舍，即可用接近传统方案的速度完成GBDT模型联合训练。
-
推理效率量级提升：创新提出“同态查找表技术”，实现隐私保护下的决策图推理——支持GBDT、决策树、评分卡等多类模型，其中GBDT与决策树的推理效率较现有方案提升2至3个数量级，原本需分钟级的推理过程可压缩至秒级甚至更短。
目前，两项技术已集成至蚂蚁科技隐私计算产品矩阵：包括数据基础设施层的**可信数据流通平台FAIR**、面向金融与营销场景的**隐私计算解决方案Morse**、为AI/BI/业务系统提供嵌入式能力的**轻量化加密 middleware**，以及为大语言模型应用提供全链路保护的**大模型隐私保护产品**，全面支撑跨机构数据协作的“安全化、高效化、实用化”需求。
顶会顶刊认可 技术实力跻身国际前沿
ACM CCS是国际信息安全领域公认的旗舰会议，被中国计算机联合会（CCF）列为A类会议；IEEE TDSC是IEEE计算机学会主办的权威期刊，聚焦可信计算与安全计算领域，同样为CCF-A类期刊——二者均代表所在领域的最高学术水平。
蚂蚁科技两项成果同时获得顶级学术认可，不仅验证了其在“GBDT+隐私计算”.方向的技术突破，更印证了其在隐私计算领域的技术积累已跻身国际第一梯队。未来，随着技术进一步落地，有望推动跨机构数据协作从“可行”走向“易用”，为数字经济发展注入更安全的动力。
