罗盘 / 政府统计差分隐私基础设施
暗星档案 · 未点亮的星政府统计差分隐私基础设施
本条为初评草案（AI 辅助编目）：T 阶为三问初评（撬动面 × 停滞度 × 临界性），双评过 σ 门并红蓝复核后才升"已建档"。查不到的字段留空不编。点亮者会进入亮星候选流程，其贡献与星阶按 HCF 独立重评，不从暗星自动继承。
政府统计差分隐私基础设施T5 量级 · 新星
让统计数据既能公开又数学上保证认不出具体是谁
暗星编号DS-0850
轴R · 风险与文明安全
领域governance-institutions
状态初评草案 · 待双评与红蓝复核
这是什么 · 为什么难
差分隐私是一种数学上可证明的隐私保护技术:向发布数据中注入经过精确计算的统计噪声,使得任何人无法通过比对多份公开数据反推出某个具体个体的信息,同时保留数据的整体统计有效性。美国人口普查局在 2020 年十年一度人口普查中首次将差分隐私(TopDown 算法)作为官方披露规避系统,这是国家统计机构首次在如此大规模、高风险场景下采用该技术。攻破意味着:政府在开放数据、促进科研与商业利用的同时,能给出数学级别(而非仅制度承诺)的个人隐私保护,终结匿名化数据仍可被重新识别的长期漏洞。
卡在哪 · 机制级卡点
隐私保护强度与统计数据精度存在数学上的直接权衡(注入越多噪声隐私越强但数据越不准),如何为不同应用场景(选区划分、政策拨款分配)设定合理的隐私预算尚无普遍共识;2020 年美国普查差分隐私应用后遭遇地方政府、学界对小群体数据精度下降的强烈质疑与诉讼;技术门槛高,多数国家统计机构缺乏部署能力。
谁在攻
美国人口普查局差分隐私与披露规避方法研究团队;哈佛大学 OpenDP 项目;Google 差分隐私研究团队
怎么参与
阅读美国人口普查局公开的 TopDown 算法技术说明,或研究 OpenDP 开源差分隐私工具库的应用案例。