🎯 情报来源：量子位
蚂蚁数科在ACM CCS 2025和IEEE TDSC两大顶级学术会议上发表两项隐私计算创新技术成果，聚焦梯度提升决策树（GBDT）模型的隐私保护训练与推理。其中Gibbon框架将安全两方GBDT训练速度提升2～4倍，性能超越当前主流联邦学习方案SecureBoost；同态查找表技术则实现GBDT推理效率2～3个数量级跃升（即100-1000倍），突破隐私计算领域长期存在的”安全与效率”矛盾。
💡 核心要点
- 训练突破：Gibbon框架相比MPC方案Squirrel提速2-4倍，优于联邦学习SecureBoost开源实现
- 推理飞跃：同态查找表技术使GBDT/决策树推理效率提升100-1000倍（2-3个数量级）
- 技术路线：采用安全等级更高的多方安全计算（MPC）而非联邦学习，规避信息泄露风险
- 应用落地：成果已集成至FAIR平台、摩斯解决方案等蚂蚁数科全系隐私计算产品
- 学术背书：论文入选CCF-A类会议ACM CCS和期刊IEEE TDSC，代表领域最高水平
📌 情报分析
技术价值（极高）：通过密码学与GBDT的协同设计，在MPC路线下实现效率反超联邦学习，解决行业核心痛点
商业价值（高）：已应用于金融营销等场景产品矩阵，但MPC硬件成本仍是规模化挑战
趋势预测（高）：随着《隐私计算产品通用安全分级白皮书》实施，高安全MPC路线或加速替代存在泄露风险的FL方案