隐私预算换成人能懂的风险

设想一个机构要公开统计结果，又不想让外人看出某个人是否在数据里，甚至是否带有某个敏感属性。差分隐私（Differential Privacy）就是为这件事设计的数学保证；但它最难沟通的地方，是隐私预算 epsilon。epsilon 越小，通常隐私越强，但结果也更容易因为加噪声而变不准。问题在于，epsilon 本身不像“风险”这个词，普通决策者很难凭它判断该不该发布。\n\nRuwimal Y. Pathiraja 和 Jerome P. Reiter 这篇论文的核心，是把 epsilon 换算成一个更像人话的问题：数据发布后，攻击者学习到某个敏感信息的赔率，最多能提高多少？他们让数据管理者先设定一个“赔率风险画像”：比如攻击者原本很不确定时，可以容忍赔率提高十倍；如果攻击者原本已经五五开，就只容忍最多提高两倍。然后再把这些上限反推成可用的 epsilon。\n\n这不是发明一种新的隐私定义，而是给已有的差分隐私参数加一层治理语言。它的价值在于，把“epsilon 取多少”从专家拍参数，变成可以被机构、伦理审查或业务负责人讨论的风险边界。论文还用病例对照研究数据做了示例；摘要没有披露更具体的实验效果数字，所以这里不展开。