该论文提出了一个名为Kangaroo的框架，旨在解决广域网（WAN）环境下大规模决策树评估中的隐私保护与效率问题。决策树作为一种广泛应用的机器学习模型，在金融、医疗等领域的部署中常涉及敏感数据，因此隐私保护推理需求迫切。现有方案在WAN环境下因延迟高、通信开销大而难以实用。Kangaroo通过设计一种摊销（amortized）推理协议，在对多个查询进行批量处理时，将昂贵的密码学操作（如秘密共享、混淆电路）的开销分摊到各个查询上，从而显著降低平均计算和通信成本。具体而言，该框架利用高效的茫然传输扩展技术和优化的电路构造，实现了客户端输入隐私和模型参数隐私的双向保护。实验评估表明，在典型WAN设置下，Kangaroo相比现有方法在吞吐量和延迟方面取得了显著提升，能够支持数千棵决策树的实时推理。该工作的主要贡献在于首次在WAN场景下实现了大规模决策树推理的隐私保护与高效摊销，为隐私计算在跨域部署中的实用化迈出了重要一步。