该论文针对文本数据发布场景中的身份再识别（identity leakage）风险，提出了一个名为 Conformal Privacy Auditing（CPA，共形隐私审计）的免分布校准框架。研究背景是：随着大语言模型（LLM）能力提升，攻击者可以结合 LLM 与外部辅助知识（auxiliary knowledge）把已发布的自然语言文档重新关联到具体个人，传统的经验性审计只报告某条特定攻击流程的成功率，缺乏有限样本的统计保证；而训练阶段的保护手段（如差分隐私）难以转化为针对单篇发布文档的、发布时（release-time）可用的风险判断。 核心方法：CPA 借助共形预测（conformal prediction）思想，为每一篇待发布文档输出一个“共形模糊集”（conformal ambiguity set），即在可交换性（exchangeability）假设下，以用户指定的置信水平保证该集合包含真实身份；集合的大小被进一步转化为可解释的泄漏代理指标（leakage proxy），从而把抽象的隐私风险变成可度量、可比较的数值。框架同时支持两类攻击者设定：可访问 logit 的攻击者（对应开源模型）以及仅能采样的攻击者（对应闭源专有 API 模型），从而在统一口径下审计不同模型形态。 主要贡献：一是将再识别风险评估从“点估计成功率”提升为具有有限样本统计保证的认证式评估；二是提出集合规模作为可解释的泄漏强度度量；三是给出跨攻击者能力、跨数据集的统一审计协议。实验在多个文本发布基准与多种攻击者配置下进行，结果显示 CPA 达到了良好的校准覆盖率（calibrated coverage），并揭示出当辅助知识规模、LLM 增强能力以及发布机制发生变化时，被认证的可识别性会出现显著跃迁。这为在发布时报告和横向比较不同攻击者配置、数据集与发布机制下的链接风险提供了统计学基础。 适合读者：隐私工程与数据发布治理团队、差分隐私与隐私审计研究者、负责模型/数据集对外发布的安全工程师，以及需要评估 LLM 时代文本再识别风险的合规与风控人员。