本文系统性地研究了三类基于本地组合（local combination）思想的合成数据生成方法——SMOTE、Simulant 和 Avatar——在隐私保护方面的实际风险。这些方法通过组合真实数据中的邻近样本来构造合成档案，近年来被医疗等领域用作“匿名化数据”共享手段，但其安全性尚未经过严格检验。作者设计了全面的隐私攻击实验，涵盖成员推理攻击（判断某条真实记录是否被用于生成合成数据）、链接攻击（将合成记录与真实身份关联）以及重建攻击（从合成数据中恢复原始敏感属性）。实验结果表明，三种方法均存在显著且可复现的隐私泄露，攻击者能够在多种配置下成功还原或关联真实个体信息。该发现对这些合成数据生成方法是否可被视为真正匿名提出了严重质疑，尤其是在缺乏形式化隐私保证（如差分隐私）的情况下。论文的核心贡献在于：首次针对本地组合合成数据家族进行系统比较性隐私分析，揭示了其残余风险的普遍性，并提醒数据共享方在采用此类工具时必须重新评估合规性与伦理风险。该工作适用于合成数据研究者、隐私保护工程师以及依赖第三方合成数据服务的机构，为其选择更安全的生成策略提供了实证依据。