本文研究点地图（dot maps）这一可视化形式在公开发布时可能导致的隐私泄露问题。点地图将敏感数据中的每个个体以地理区域上的一个点呈现，被广泛用于展示空间分布规律。然而，现有文献对大面积区域点地图的隐私风险认知有限。作者系统性地分析了此类风险，并提出一个自动化框架 AutoLocate，用于对点位置进行高精度恢复。AutoLocate 的核心洞察是：地图渲染过程中产生的抗锯齿（anti-aliasing）伪影会无意中编码关于点位置的亚像素（sub-pixel）信息，使攻击者即使看到的是像素级图像，也能推断出点的实际坐标。AutoLocate 将位置恢复建模为黑盒优化问题，通过迭代调整候选坐标，最小化目标地图与渲染候选地图之间在这些伪影上的感知差异，从而逼近真实位置。作者在真实世界和合成数据集上进行了大量实验，覆盖不同攻击场景以及多种地图配置（如比例尺、背景、分辨率），验证了方法的有效性。实验结果显示，在美国小尺度地图上，平均恢复误差低至约 1 米，相当于约 0.0002 像素的定位精度，比现有方法精确 200 倍以上。论文还提出了缓解策略，并发布了一个隐私风险评估工具，帮助实践者在发布点地图前评估并降低隐私泄露风险。本文适合对数据可视化隐私、地理信息安全和人工智能安全感兴趣的研究人员、隐私工程师和数据发布方阅读。