本文针对现代AI系统在用户数据收集、集中控制和隐私侵犯方面的社会风险（如大规模监控、权力过度集中、用户自主权丧失），提出了一种面向隐私保护的联邦披露框架。作者认为用户需要一种主权系统来安全地拥有、治理和披露个人上下文数据，同时满足跨监管领域的合规要求（包括来源追溯、可解释性和策略遵守）。为此，他们提出了“视角感知AI”（Perspective-aware AI），将用户聚合的个人数据转化为结构化身份模型——Chronicle（时间知识图谱），该图谱随用户交互增长，并支持在联邦网络中安全地披露上下文。具体地，Chronicle持有者可以暴露一个可查询、授权的视图，供第三方代理在不集中存储任何用户数据的前提下进行查询。本文的核心贡献是提出了“来源保留Chronicle”（Provenance Preserving Chronicles, PPC）协议，这是一种联邦协议，它将每个持有者的Chronicle编译为紧凑的“授权证据子图”，遵循“分享不超过请求所需”的原则。协议机制包括：持有者保留本地数据主权；访问控制器基于领域专家本体投射出关系感知的视图；采用两阶段流程——先返回带有来源链接的文本摘要，仅在持有者明确批准后才释放原始工件。论文还形式化了问题定义，分析了现有区块链、P2P和持有者主权方案的差距，定义了核心构造，并在明确的威胁模型下勾勒了协议细节。本文属于前沿隐私保护与AI治理交叉领域的研究，适合对去中心化身份、最小权限披露、知识图谱隐私和安全合规感兴趣的读者。

本研究探讨了移民父母在跨国背景下如何感知、管理和保护其子女的数据。随着越来越多的父母在国外工作和生活，他们面临在不熟悉的法律和文化环境中抚养子女的挑战，包括遵守陌生的法规以及保护子女数据的复杂任务。通过对英国17位移民父母和监护人的访谈，研究揭示了他们对数据所有权和管理的细致且不断演变的看法。父母们对在本地和与海外大家庭共享的数据失去控制权表达了重大担忧，担心数据被滥用可能伤害子女或危及他们的移民身份。研究讨论了他们的数据管理策略以及如何应对数据所有权和同意概念的变迁。研究结果强调需要提供文化敏感的支援，帮助移民家庭保护子女数据，并为未来研究跨境数据共享的复杂性及其影响指明了方向。

心电图（ECG）信号包含生物特征信息，共享原始ECG信号可能导致患者重识别和隐私泄露。现有的ECG匿名化方法在隐私保护与效用保留之间存在权衡：增强隐私往往会降低下游任务（如心律失常检测）的性能，而保留效用则容易泄露个人信息。针对这一问题，本文提出了一种基于重建感知的ECG匿名化方法REAN（REconstruction-aware ECG ANonymizer），旨在原始信号层面实现隐私-效用的最优平衡。REAN的核心思想是使用一维U-Net架构对原始ECG信号进行重建，训练过程中利用冻结的隐私分类器和效用分类器的损失函数来指导匿名化：一方面最小化隐私泄漏（即使得隐私分类器无法正确识别患者身份），另一方面保留与任务相关的生理信息（如心律失常特征）。关键的创新在于作者发现隐私和效用的梯度方向接近正交（约93.8°），因此减少隐私泄漏几乎不影响效用。在四个公开PhysioNet数据库上的实验表明，REAN在原始ECG信号匿名化基线中达到了最强的隐私-效用平衡：重识别准确率从0.96降至随机水平0.00，心律失常检测宏AUROC保持在接近无干扰水平（原始0.9982 vs REAN 0.9991），并且对未见过的隐私分类器架构仍保持强大的重识别防护能力。该方法为医疗数据共享中的隐私保护提供了新的思路。

本文针对k匿名化在数据脱敏中的隐私风险进行了深入研究。尽管k匿名化因简单、符合法规且保持数据可用性而被广泛采用，但隐私界长期批评其保护不足。非专业人员常认为在没有辅助信息的情况下，k匿名化无法被攻破。本文首次提出组合精炼攻击（Combinatorial Refinement Attacks, CRA），这是一种新型隐私攻击方法，专门针对使用局部编码（local recoding）生成的k匿名化数据集。CRA不依赖任何外部辅助信息或对数据分布的假设。它利用ARX（临床数据匿名化广泛使用的开源软件）中局部编码的效用优化行为，构建线性规划模型，显著减少可能的敏感值空间。为验证该攻击的有效性，作者与一个免费社区健康诊所网络合作，该环境既缺乏辅助信息又因资源和法规限制而采用开源k匿名化方案。基于真实临床微观数据的实验表明，即使没有外部信息，现有的匿名化框架也无法提供所承诺的隐私保护水平，引发了严重的隐私担忧。本文的核心贡献是揭示k匿名化在无辅助信息场景下的脆弱性，并提供了可复现的攻击方法。适合数据隐私研究人员、医疗数据管理者及匿名化工具开发者阅读。

该论文提出了一种名为V-ORAM的通用且自适应的不透明随机访问机（ORAM）框架，旨在解决传统ORAM方案在处理动态工作负载时效率低下的问题。ORAM是一种用于隐藏内存访问模式的技术，广泛应用于机密计算和安全处理器设计中，以保护数据隐私。然而，现有ORAM方案通常针对特定工作负载优化，难以适应访问模式的变化。V-ORAM通过引入服务变换（Service Transformation）机制，能够根据工作负载的动态特征（如访问频率、数据块大小等）自动选择或切换不同类型的ORAM协议（如Path ORAM、Tree ORAM、Ring ORAM等），从而在安全性与性能之间取得平衡。框架的核心包括一个在线监控模块，用于实时分析工作负载；一个决策引擎，用于选择最优的ORAM实例；以及一个转换执行模块，负责无缝切换ORAM策略而不中断服务。实验表明，V-ORAM在多种动态工作负载下，相比单一最优静态ORAM方案，平均性能提升约2.3倍，同时保持相同的安全保证。该工作为自适应内存访问隐私保护提供了新思路，适用于云环境、嵌入式系统等需要高效隐私保护的场景。