近日，全球信息安全领域顶级会议ACM CCS与权威期刊IEEE TDSC相继公布最新录用论文名单，蚂蚁数科两项关于隐私计算的前沿研究成果成功入选。这两项技术聚焦于当前跨机构联合建模中应用最为广泛的梯度提升决策树（GBDT）模型，通过创新性的隐私保护算法设计，攻克了在确保数据安全的前提下实现高效联合训练与推理的核心难题。
其中，论文《Gibbon: Faster Secure Two-party Training of Gradient Boosting Decision Tree》（长臂猿：更快的两方安全GBDT训练框架）被ACM CCS 2025收录；另一篇《Privacy-preserving Decision Graph Inference from Homomorphic Lookup Table》（基于同态查找表的隐私保护决策图推理）已被IEEE TDSC正式录用。
GBDT类模型（如XGBoost、LightGBM等）因其出色的可解释性与高效的预测能力，广泛应用于金融风控、精准营销等关键业务场景，是目前跨组织数据协作中的主流模型之一。然而，在多方参与的训练和推理过程中，如何兼顾高安全性与高性能，始终面临“安全则低效、高效则风险”的矛盾挑战。
当前行业普遍采用联邦学习（FL）方案以提升效率，但其存在潜在的信息泄露隐患。例如，隐私计算联盟在2024年发布的《隐私计算产品通用安全分级白皮书》中明确指出，主流FL方案SecureBoost存在一定的信息泄露风险。
蚂蚁数科选择了一条更具挑战的技术路径——基于更高安全等级的多方安全计算（MPC），结合GBDT算法特性与先进密码学方法进行深度协同优化，在保障绝对数据隐私的同时实现了性能的重大突破：
- 训练效率提升：提出的新型两方安全GBDT训练框架Gibbon，相较目前最先进的MPC方案Squirrel（发表于USENIX Security 2023），训练速度提升了2至4倍，甚至优于联邦学习方案SecureBoost的开源版本性能。
- 推理效率飞跃：首创同态查找表技术，用于隐私保护下的决策图推理，适用于GBDT、决策树、评分卡等多种模型。该技术使GBDT与决策树的推理效率提升达百倍至千倍（即2～3个数量级）。
目前，上述技术创新成果已全面集成至蚂蚁数科隐私计算产品体系中，为跨机构间的数据协作提供兼具高安全性、高性能与强落地性的解决方案，助力金融、医疗、政务等领域实现合规、可信、高效的数据价值流通。
