量子位
·
蚂蚁数科提出隐私保护AI新算法，可将推理效率提升超过100倍
💡
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
蚂蚁数科推出新隐私保护AI算法，推理效率提升超过100倍，并提出Gibbon框架，训练速度提升4倍。这两项技术在ACM CCS和IEEE TDSC会议上获奖，彰显其在隐私计算领域的领先地位。
🎯
关键要点
- 蚂蚁数科推出新隐私保护AI算法，推理效率提升超过100倍。
- 新框架Gibbon的训练速度提升4倍。
- 两项技术在ACM CCS和IEEE TDSC会议上获奖，显示蚂蚁数科在隐私计算领域的领先地位。
- 研究聚焦于梯度提升决策树（GBDT）模型，解决联合建模中的隐私保护与高性能计算的难题。
- GBDT模型广泛应用于营销和风控等场景，但面临安全与效率的两难困境。
- 蚂蚁数科采用多方安全计算（MPC）技术路线，突破安全与效率的限制。
- Gibbon框架训练速度提升2～4倍，优于现有的MPC方案和联邦学习方案。
- 同态查找表技术支持GBDT、决策树等模型的隐私保护推理，效率提升2～3个数量级。
- 研究成果已应用于蚂蚁数科的隐私计算产品，支持高安全、高性能的数据协作。
- 蚂蚁数科构建了多场景的隐私计算产品矩阵，包括FAIR、摩斯（Morse）等解决方案。
- ACM CCS和IEEE TDSC是信息安全领域的顶级会议和期刊，代表最高学术水平。
❓
延伸问答
蚂蚁数科的新隐私保护AI算法有什么特点？
蚂蚁数科的新隐私保护AI算法推理效率提升超过100倍，并采用了Gibbon框架，训练速度提升4倍。
Gibbon框架的优势是什么？
Gibbon框架在训练速度上提升了2到4倍，优于现有的多方安全计算方案和联邦学习方案。
蚂蚁数科的研究成果在哪些会议上获奖？
蚂蚁数科的研究成果在ACM CCS和IEEE TDSC会议上获奖，显示其在隐私计算领域的领先地位。
GBDT模型在隐私保护中面临哪些挑战？
GBDT模型在隐私保护中面临安全与效率的两难困境，即安全强则效率低，效率高则隐患多。
蚂蚁数科如何解决隐私保护与高性能计算的矛盾？
蚂蚁数科采用多方安全计算（MPC）技术，通过GBDT算法与先进密码学的深度协同设计，实现安全与效率的双重突破。
蚂蚁数科的隐私计算产品有哪些应用场景？
蚂蚁数科的隐私计算产品应用于金融、营销等场景，包括FAIR平台和摩斯解决方案。
➡️
