该论文提出SecureCROWN，首个用于隐私保护神经网络鲁棒性验证的框架。神经网络验证与数据隐私存在固有矛盾：验证需要完全访问模型参数和输入数据，但这受到隐私法规和知识产权限制。SecureCROWN基于安全两方计算（2PC），使模型所有者和数据所有者能够共同计算认证的鲁棒性边界，在只揭示最终结果的同时，在半诚实安全模型下可证明地保护双方隐私数据。关键挑战在于安全计算线性边界传播中的条件操作，因为数据相关的分支与标准安全计算协议不兼容。作者通过将条件逻辑公式化为连续算术运算来消除分支，并引入牛顿-拉夫森改进方法以提高数值稳定性。广泛分析和实验表明，SecureCROWN严格匹配明文验证结果，在不同模型大小和通信设置（局域网/广域网）下完成时间在0.1-200秒之间，证明了隐私保护神经网络验证的可行性。