本文提出 POSEIDON，一个隐私保护的联邦神经网络学习框架。研究背景是传统联邦学习通常依赖一个可信聚合方来协调各方梯度更新，但该可信方成为单点故障，一旦遭受数据泄露、黑客攻击或内部泄漏，可能同时危及训练数据隐私和模型隐私。为消除这一信任假设，密码学社区提出用一组计算服务器替代可信方，并采用安全多方计算（MPC）技术来实现神经网络的隐私保护训练。POSEIDON 延续这一思路，重点探讨如何在不同服务器数量（如两方、三方）下高效且安全地完成联合建模。由于仅提供摘要，具体算法细节、实验设置和性能数据未完全展开，但核心贡献应在于设计一种可在多方参与下不暴露原始梯度或模型参数的联邦训练协议，兼顾安全性、通信复杂度和计算开销。适合关注机器学习隐私、联邦学习、安全多方计算以及隐私增强技术的研究者和安全工程师阅读。