该论文研究了社交媒体平台中恶意内容检测的隐私保护问题。现有方法通常将用户内容与服务器端的恶意内容数据库进行相似性比对，但这会严重侵犯用户隐私（服务器可获知用户完整内容）。作者提出一种新颖的客户端检测范式：仅在用户本地触发时通知用户自身，避免向服务器泄露原始数据。为此，他们形式化定义了基于相似性的桶划分（SBB）概念：客户端向数据库服务器透露少量信息，服务器据此生成一个候选桶（即可能匹配的项），桶大小足够小，从而可以高效应用隐私保护的相似性协议。为量化泄露信息的隐私风险，作者构建了一个框架，度量攻击者正确推断客户端输入某个谓词的置信度。针对图像内容，他们实现了实用的SBB协议，并使用真实社交媒体数据评估其客户端隐私保障。最后，将SBB与多种相似性协议结合，实验表明，在大规模数据库上，结合SBB后性能提升至少29倍，同时匹配正确率保持在95%以上。