该论文研究的是「同态加密下的联邦学习训练」这一隐私保护机器学习场景。加密训练有一个长期存在的硬性约束：服务端聚合与更新的多项式次数必须保持很低（低度数/low-degree），因为同态方案中每次乘法都会消耗乘法层级并引入噪声。这一约束传统上直接排除了权重取值落在紧李群上的模型，最典型的就是变分量子电路（VQC）——其每一个可训练权重都是一个 SU(2) 旋转。若用欧拉角或离散字母表来表达这些旋转，更新项会呈现为超越函数（transcendental），历史上不得不付出极高代价：要么每个量子门需要一次客户端-服务器交互往返，要么每个权重需要超过 25000 次运算，使其工程上不可行。论文的核心论点是：这一代价并不是问题的本质，而纯粹是坐标选择产生的假象。作者指出，若改用单位四元数（spin）图来表达旋转，群乘法恰好是双线性的（次数为二，系数只取 -1、0、+1），因此加密后的旋转更新只需消耗一个乘法层级，而联邦平均在任何分级（levelled）同态方案中代价为零，从而完全消除了自举（bootstrapping）需求。作者强调这是与具体实现无关的代数性质，并在两种不同的密码学后端上得到验证，聚合误差分别仅为 0.0 弧度和 -2.0×10⁻¹² 弧度。基于这一代数简化，论文给出了一个用于混合量子-经典网络加密联邦训练的非交互式协议，并附带聚合正确性证明与符号处理证明，以及一个编译引理，证明引入参数化纠缠门只会带来常数因子开销而不改变深度类别。实验方面，五种子配对研究确认不存在可测量的效用损失（ΔMSE=+9×10⁻⁶，p=0.92）；噪声预算消融实验则否证了「加密噪声起到正则化作用」的假设。这些收敛趋势在不同数据集上可以复现，并可扩展到 20 个客户端规模。最后，作者在 156 量子比特的真实处理器上完成硬件验证，加密路径达到 0.9918 的保真度，而未加密对照组为 0.99957。适合关注隐私增强机器学习、联邦学习基础设施、量子机器学习训练管线以及同态加密工程化的研究者与安全工程师阅读。