本文研究隐私保护的协作学习场景。在GDP框架下，各参与方对私有数据应用距离保持变换，仅上传变换后的表示给中央分析者，以实现一次性协作学习。然而，在分析者与部分参与方共谋时，分析者可利用共谋者披露的数据与变换，结合所有上传表示，尝试恢复非共谋参与方的私有数据。虽然参与方特有的独立变换可抵抗该攻击，但会导致表示空间不兼容，损害模型性能。DC分析中的共享锚点对齐虽能恢复兼容性，但公开锚点矩阵在共谋下反而使攻击者能精确重构私有数据。直接对私有数据表示加噪可缓解漏洞但大幅降低效用。为此，本文提出对锚点表示加噪：每个参与方独立变换私有数据和共享锚点矩阵，仅扰动产生的锚点表示，并单轮上传两种表示；分析者通过求解广义正交Procrustes问题完成对齐。论文刻画了对齐与恢复误差，并分析了三种恢复攻击。MNIST和CelebA上的实验表明，在相同泄漏水平下，锚点噪声相比私有数据噪声能获得更高的学习准确率，从而在指定共谋模型下实现更优的隐私-效用权衡。该研究对设计隐私保护的协作学习系统具有重要参考价值。