SecureCROWN：面向神经网络鲁棒性验证的隐私保护框架

论文提出SecureCROWN，基于安全两方计算（2PC）让模型所有者与数据所有者联合计算神经网络认证鲁棒性边界，仅公开最终结果。框架以连续算术替代线性边界传播中的条件分支，并用Newton–Raphson迭代改善数值稳定性；作者报告其结果严格匹配明文验证，耗时约0.1–200秒，覆盖不同模型规模及LAN/WAN环境。