该论文针对 B2B 广告的定向困境提出 SIF（Sealed Inference Frame）方案。背景是：B2B 广告需要推断浏览者的职业属性（雇主规模与行业、职能、职级），传统做法依赖跨站身份匹配；但 Safari 与 Firefox 已封堵第三方 Cookie，Google 于 2025 年下线 Privacy Sandbox 的 cohort API，而基于反向 IP 的企业画像在远程办公普及后准确度持续衰减。SIF 的思路是把推断放到用户设备上完成：在本地推断出粗粒度的职业分群，只向 OpenRTB 竞价流写入一个经过本地差分隐私处理、按分类法编码的标签，全程不带跨站标识符。其技术基础是 Web 平台的一个特性——被导航的跨源 iframe 是第三方代码唯一能获得自己可控策略的载体，因此推断以 WebAssembly 运行，即使发布方 CSP 禁止亦然；而嵌套 worker 以 default-src 'none' 提供，使模型完全没有网络访问能力。论文给出泄漏上界：即使模型本身是恶意的，每站点每周也最多泄漏约 5 bit。标签经一个以发布方第一方标识符为键的记忆化 k 元随机响应机制处理，从而满足 ε-本地差分隐私，可抵御多次请求求平均的攻击，且其跨请求关联能力不超过已发送的第一方标识符。此外引入组织条件 k-匿名规则对单元格进行抑制，在企业网络环境中比家庭网络更严格。分群数据通过 OpenRTB 的 user.data 字段以对齐 LinkedIn 的分类体系传输，归因使用 LinkedIn 的点击级 li_fat_id 而不做身份桥接。实验部分包括：对 7,969 个头部站点与 431 个 B2B 发布方的 CSP 部署爬取、Heavy-Ad 预算分析、隐私—效用权衡的闭式解、再识别模拟，以及属性可预测性评估——公司类型与规模可预测，职级基本不可预测。作者强调“端上运行是一种设计属性，而非同意豁免”。