该论文针对联邦学习（FL）中隐私保护的割裂现状提出了一套组合式框架。背景在于：去中心化数据日益普遍，联邦学习允许客户端在不共享本地敏感数据的前提下协同训练模型，但 FL 本身并不足以保护训练数据——梯度更新仍可能泄露成员信息与属性信息，因此实践中通常叠加差分隐私（DP）或同态加密（HE）。作者指出，这两类技术各自解决不同层面的问题：DP 通过加噪提供可证明的统计隐私保证，但会显著损失模型效用；HE 则让服务器在密文上完成计算，保护传输与聚合过程中的数据机密性，却无法约束最终发布模型对个体样本的泄露。单独依赖其一，在 FL 场景下要么效用太差，要么隐私保证不足。为此，论文提出一个隐私保护联邦学习框架：训练阶段采用基于同态加密的方案（在密文域进行模型训练/聚合，避免明文暴露），而模型审查与发布阶段采用差分隐私机制，从而把"机密性"与"发布时的隐私核算"解耦并由不同机制分别承担。为量化整体隐私水平，作者引入了基于马尔可夫链蒙特卡洛（MCMC）的贝叶斯隐私估计方法，对框架的隐私参数进行后验推断，而不是仅依赖传统的 DP 会计。实验在 FEMNIST 数据集上进行：训练结束时，所提方法测试损失为 1.09，而仅使用差分隐私训练的基线为 2.37，说明模型效用大幅提升；同时估计得到的隐私参数 ε 后验均值为 4.32，优于基线的 7.26，即效用更强且估计隐私保护更强。论文进一步表明，间歇性的模型监控（intermittent model monitoring）能够在保持加密训练轨迹完整性的同时，达到与纯 DP 方案相当甚至更强的估计隐私水平。整体贡献可概括为：将 HE 训练与 DP 发布/审查相结合的系统性框架设计、面向该框架的贝叶斯隐私估计方法，以及在效用—隐私权衡上同时改善基线的实证结果。