本文提出 Fed-SRC，一种面向联邦检索增强生成（Retrieval-Augmented Generation, RAG）的私有任意时间选择性风险认证框架。选择性风险证书的核心承诺是：所有被模型接受的输出都能满足预设的错误率目标。与以往依赖特定分数分布的方案不同，Fed-SRC 是分数不可知的，并集成差分隐私与自适应监控。各客户端仅发布经过高斯扰动后的分数直方图与损失直方图，避免直接暴露原始数据。方法上，作者利用记录索引和噪声方差索引两类鞅（martingale）联合约束目标风险对比和接受质量，覆盖所有已注册的阈值与轮次，从而支持可预测的参与者招募、退群、阈值选择和可选停止。此外，通过一个一阶全变差项将校准混合分布转移到声明的部署混合分布，使证书在分布偏移下依然有效。实验在多个数据集、隐私预算和策略组合下进行：未出现任何同时违反边界的情况。然而认证的实际效力高度依赖分数和总体分布——主要目标 r*=0.10 在全部设置中均未得到认证，RAGTruth 上 r*=0.20 也未认证；但在 HaluEval 问答任务中，200 次非私有试验全部成功认证，且留出风险低于目标。作为对照，天真地私有化非私有证书会在 146 至 198 次试验中违反边界，凸显了联合设计的必要性。此外，作者探索了私有投注资本启发式方法，但未证明其 e-process 有效性，该启发式在 epsilon<=4 时停止认证，而 Fed-SRC 仍能继续。代价方面，认证消耗的流事件数约为唯一校准项数量的 30 倍。总体而言，本文的贡献在于首次将私有、联邦、任意时间保证组合成统一的认证框架，而非单独改进对比统计量或接受下限。