该论文研究多维用户数据收集场景下的本地差分隐私（Local Differential Privacy, LDP）问题。在实际应用中，多维数据的属性之间往往存在依赖关系，这种依赖可能被攻击者利用，导致用户隐私在形式化隐私保护之外发生额外泄露，即相关诱导的隐私泄露（Correlation-induced Privacy Leakage, CPL）。现有针对 CPL 的分析方法要么需要准确的先验概率知识，要么在面对大量属性或高基数属性时存在可扩展性瓶颈，难以直接应用于真实数据。为弥补这一空缺，作者提出一种新的度量指标“Dependency Triad”（DT），以三个参数概括影响 CPL 的成对属性依赖信息，并在此基础上给出一个常数时间（constant-time）且保守的成对 CPL 估计器。DT 通过显式建模先验分布知识的不确定性，实现了对隐私泄露量的稳健估计；同时，它对稀疏分布具有鲁棒性，因此特别适合高基数属性场景。此外，DT 采用成对分解的构建方式，可作为多维场景下评估总体泄露的可行基础模块。论文在合成数据集和真实数据集上进行了大量实验，结果表明 DT 能够在不同的依赖模式和先验不确定条件下一致地估计 CPL，具有良好的稳健性和实用价值。该研究为多维数据隐私风险评估提供了新的理论工具，有助于进一步优化隐私与效用的权衡。