GBDTGradient Boosting Decision Tree是一种将梯度提升与决策树结合起来的集成学习方法其核心思想是按轮次不断训练新的弱决策树专门去拟合前面模型的残差或负梯度让多棵树逐步叠加从而一点点降低整体预测误差。也正因为它对结构化数据建模能力强、效果稳定、训练高效且具有一定可解释性在金融风控、医疗分析、广告等典型结构化数据场景中GBDT至今仍然是工业界广泛使用的主力模型。但一旦进入两方纵向联邦学习Vertical Federated Learning的真实合作环境一个最棘手、也最容易被忽略的隐私泄露点就出现了-只要你做了PSIPrivate Set Intersection来对齐样本就等于把“交集ID是谁”直接暴露给双方。即便后续训练全程用多方安全计算MPC、同态加密HE等保护措施泄露也早在对齐环节发生了。腾讯隐私计算PowerFL团队在安全顶会SP 2026接收的论文AnonGBDTPractical Anonymous Two-Party Gradient Boosting Decision Tree要解决的就是这个“隐私暗门”在不泄露交集ID的前提下实现高效、可落地的全匿名两方GBDT训练。背景为什么“交集ID”是一条红线纵向联邦学习的常见路径是1.两方各持部分特征ID有部分重叠的用户/样本2.先做PSI找到交集ID3.对交集样本按同一顺序对齐4.在对齐后的样本上训练模型步骤2-3会暴露交集ID —— 在现实里这种泄露本身就可能带来高风险将信用卡交易ID与广告数据关联可能触发再识别两家医院共享哪些患者可能泄露地域与诊疗路径。理论上circuit-PSI能隐藏交集但它在系统层面存在两个现实矛盾非对称性circuit-PSI是“receiver拿结果”很难无缝支撑GBDT这种迭代训练中双方交替参与的计算流程直接电路化训练不可用把完整GBDT训练塞进通用电路代价高到无法落地。AnonGBDT的核心就是把“匿名对齐”做成可复用、可迭代的系统能力接入真实的GBDT训练流程。亮点全匿踪两方GBDT训练全程不暴露交集ID不是“训练后保护”而是“从对齐开始就保护”可工程化不是把整个训练过程塞进通用MPC通用电路中硬跑而是为GBDT设计高效可组合的匿踪对齐与梯度聚合原语性能有竞争力在更强隐私约束下训练时间仍与近期最佳方案保持同量级效果不掉点在多个公开数据集上达到最优F1-score方案概览AnonGBDT怎么做到“匿名对齐 高效训练”整体思路可以理解为两层匿踪对齐底座 —— Dual circuit-PSI关键创新是Dual circuit-PSI双路电路-PSI让双方轮流作为receiver把原本非对称的Circuit-PSI“对称化”通过OPPRF将一次Circuit-PSI的输出作为后续训练轮次的共享状态支持GBDT的多轮迭代实际可落地的工程优化针对基于同态加密的分布图直方图计算提出FastPackLWEs将密文packing操作成本直接减半批处理OPPRF的BOIS协议大幅减少通信轮次基于傅立叶级数的精度更高、计算复杂度更低Sigmoid拟合最终系统形态上我们给出从基础版本到最终版本的演进并落地到一个“可运行、可复现”的两方GBDT训练框架。结果更强隐私仍然能跑得动、跑得好1效率匿名性加上去代价仍在可接受区间在与近期代表性系统同硬件条件对比时AnonGBDT在提供更强隐私保证不泄露交集ID的前提下整体运行时间保持在0.7×–1.7×的对比区间具备工程竞争力。这点非常重要匿名性不仅要“学术上更安全”更要“工业上可落地”。2效果公开数据集上达到最优F1 score我们在6个公开数据集上评测并采用固定的树数(10)/深度(5)与交叉验证设置。相对于过去的安全两方GBDTAnonGBDT获得最高的F1 score与明文XGBoost库接近。适用场景哪些团队需要AnonGBDT如果你所在的合作训练满足下面任何一条AnonGBDT的“匿名对齐”都非常关键金融联合风控跨机构协作时“交集客户是谁/有多少”本身就是敏感信息医疗联合分析交集患者集合往往不能暴露隐私合规 医疗敏感性广告与推荐跨域建模平台与广告主/媒体合作时交集用户泄露可能带来商业与合规双重风险任何“先PSI再训练”的两方纵向流程如果你默认PSI是安全的AnonGBDT会告诉你“风险发生在第一步”结语在纵向联邦学习里PSI可能导致“交集暴露”。如果交集ID也是隐私/商业红线你需要的是“匿名对齐”而不是“对齐后再加密训练”。AnonGBDT给出了一个可落地的答案用Dual circuit-PSI把匿名对齐做成可迭代底座再用FastPackLWEs等工程优化把训练开销压下来让匿名两方GBDT训练真正跑进现实。也欢迎社区感兴趣的同学进来共建我们期待更好更优的MPC算子实现接近明文GBDT的协议适配不同的硬件提升泛用性项目地址:代码https://github.com/Tencent/PowerFL-AnonGBDT论文https://www.computer.org/csdl/proceedingsarticle/sp/2026/606500b560/2bojweh7sZO团队介绍腾讯PowerFL团队是国内较早开展隐私计算与联邦学习技术研究和应用的团队之一。团队在大数据、分布式计算、分布式机器学习、安全多方计算、应用密码学等领域拥有丰富的研发和应用经验。本次项目感谢香港理工大学电机及电子工程系与新智能系统安全与隐私技术研究中心、香港中文大学信息工程系、香港科技大学广州物联网学域的相关老师同学的努力和付出。有奖调研希望“腾讯开源”的内容更对您胃口点击参与 3 分钟小调研仅 6 题抽现金红包关注腾讯开源公众号获取更多最新腾讯官方开源信息