该论文针对 B2B 广告的定向困境提出 SIF（Sealed Inference Frame）方案。背景是：B2B 广告需要推断浏览者的职业属性（雇主规模与行业、职能、职级），传统做法依赖跨站身份匹配；但 Safari 与 Firefox 已封堵第三方 Cookie，Google 于 2025 年下线 Privacy Sandbox 的 cohort API，而基于反向 IP 的企业画像在远程办公普及后准确度持续衰减。SIF 的思路是把推断放到用户设备上完成：在本地推断出粗粒度的职业分群，只向 OpenRTB 竞价流写入一个经过本地差分隐私处理、按分类法编码的标签，全程不带跨站标识符。其技术基础是 Web 平台的一个特性——被导航的跨源 iframe 是第三方代码唯一能获得自己可控策略的载体，因此推断以 WebAssembly 运行，即使发布方 CSP 禁止亦然；而嵌套 worker 以 default-src 'none' 提供，使模型完全没有网络访问能力。论文给出泄漏上界：即使模型本身是恶意的，每站点每周也最多泄漏约 5 bit。标签经一个以发布方第一方标识符为键的记忆化 k 元随机响应机制处理，从而满足 ε-本地差分隐私，可抵御多次请求求平均的攻击，且其跨请求关联能力不超过已发送的第一方标识符。此外引入组织条件 k-匿名规则对单元格进行抑制，在企业网络环境中比家庭网络更严格。分群数据通过 OpenRTB 的 user.data 字段以对齐 LinkedIn 的分类体系传输，归因使用 LinkedIn 的点击级 li_fat_id 而不做身份桥接。实验部分包括：对 7,969 个头部站点与 431 个 B2B 发布方的 CSP 部署爬取、Heavy-Ad 预算分析、隐私—效用权衡的闭式解、再识别模拟，以及属性可预测性评估——公司类型与规模可预测，职级基本不可预测。作者强调“端上运行是一种设计属性，而非同意豁免”。

该论文来自 arXiv cs.HC 方向，作者为 Sarah Radway、Zoe Robert、Matthew Soto、Julianna Cimillo、Sebastian Diaz、Meg Marco 与 James Mickens（哈佛大学系统安全与隐私研究团队）。研究背景是：过去三十年在线广告行业建立起庞大的数据采集生态，其核心目标是追踪用户在线行为以推断其人口统计学特征与兴趣偏好。传统广告技术（adtech）生态依赖的是高度结构化的文本数据，例如 IP 地址、GPS 坐标、电商购买记录与访问过的 URL。然而，近年来的机器学习模型不仅能解析结构化文本，还能处理多媒体文件与非结构化文本输入，这意味着用户的照片、视频、收件箱与日历内容如今都变成了可被自动化分析的高价值数据源，隐私风险因此显著上升。 论文指出，智能手机应用场景中的风险尤为严重。手机本身已经是敏感用户信息的天然汇聚点，但用户往往并不理解：允许某个应用访问自己的照片，并不只是把照片的字节数据交给应用，应用实际上还获得了基于这些照片所能推断出的一整套关于用户本人的结论（例如生活状态、社交关系、消费能力、健康或情感状况等）。 为量化这一风险，作者构建了 Priva-See——一个基于大语言模型（LLM）的针对应用所采集用户数据的推断系统。Priva-See 的设计反映了研究者对现实中 adtech 公司如何利用机器学习构建用户画像的最佳理解，即尽可能贴近真实商业侧的数据推断能力，而非刻意夸大。作者通过一项经 IRB（机构审查委员会）批准的用户研究，让 465 名参与者在自己的手机上部署 Priva-See。实验结果的关键发现是：即便 Priva-See 只能访问用户数据的一个子集，它依然能够做出具有明显隐私侵入性的推断，说明攻击面并不需要完整数据即可成立。此外，参与者在使用后对自身权限共享意愿产生了显著变化，即该体验显著降低了他们今后分享权限数据的意愿，说明用户对风险的认知在被具象化后会明显改变。 基于观测到的隐私侵害，论文最后提出对智能手机操作系统在收集用户数据访问同意时应如何改进的建议，目标是让用户在授权时能更好地理解数据被采集之后所具备的下游使用与推断能力，而不是仅仅看到一个抽象的权限名称。该工作适合关注移动隐私、权限模型设计、LLM 推断能力边界、adtech 数据治理以及 HCI 与隐私可用性交叉方向的研究者、安全工程师与产品/合规人员阅读。