全球信息安全领域两大权威平台——国际顶级会议ACM CCS与中国计算机学会A类期刊IEEE TDSC近日同步公布最新研究成果，蚂蚁数科自主研发的两项隐私计算技术突破性成果成功入选。这一成绩标志着中国企业在隐私保护人工智能领域的技术实力获得国际学术界高度认可，为跨机构数据协作提供了更安全高效的解决方案。
针对跨机构联合建模场景中普遍存在的数据隐私与计算效率矛盾，蚂蚁数科技术团队聚焦梯度提升决策树（GBDT）模型展开攻关。该类模型包含XGBoost、LightGBM等主流算法，因其可解释性强、预测效率高的特点，已成为金融风控、精准营销等领域的核心工具。但传统多方协作模式下，数据隐私保护与高性能计算长期处于"安全增强则效率衰减"的博弈状态。
研究团队突破性采用多方安全计算（MPC）技术路线，通过密码学与机器学习算法的深度融合创新，在训练和推理两个关键环节实现双重突破。其中被ACM CCS 2025收录的《Gibbon: Faster Secure Two-party Training of Gradient Boosting Decision Tree》提出新型安全两方训练框架，相比2023年USENIX Security会议发布的"Squirrel"方案，训练速度提升2-4倍，甚至超越联邦学习代表性方案SecureBoost的开源实现性能。
在推理环节，入选IEEE TDSC的《Privacy-preserving Decision Graph Inference from Homomorphic Lookup Table》创新应用同态查找表技术，构建起覆盖GBDT、决策树、评分卡等模型的隐私保护推理体系。实验数据显示，该技术使GBDT和决策树模型的推理效率提升2-3个数量级，在保证数据"可用不可见"的前提下，显著提升跨机构协作的实时性。
相较于当前业界广泛采用的联邦学习方案，蚂蚁数科的技术路径展现出独特优势。隐私计算联盟2024年发布的《隐私计算产品通用安全分级白皮书》指出，主流联邦学习方案存在中间结果泄露风险。而MPC技术路线通过密码学协议确保数据始终处于加密状态，从根本上规避信息泄露隐患，为医疗、金融等强监管领域的数据协作提供更可靠的技术保障。
目前这两项技术已全面集成至蚂蚁数科隐私计算产品矩阵。该体系包含四大核心模块：支撑可信数据流通的基础设施平台FAIR、专注金融营销场景的摩斯（Morse）解决方案、为AI/BI系统提供嵌入式保护的密态中间件，以及针对大语言模型的全生命周期隐私保护方案。这些产品已在银行、保险、政务等多个领域实现规模化应用，日均处理隐私计算任务超百万次。
作为信息安全领域最具影响力的学术平台之一，ACM CCS与中国计算机学会保持同级认证标准，其收录的论文需经过全球顶尖学者的三重匿名评审。IEEE TDSC作为IEEE Computer Society旗舰期刊，长期聚焦可信计算、安全协议等前沿方向，两平台的同时认可充分印证了研究成果的学术价值与工程意义。
