「4 个时空点就能认出 95% 的人」——匿名性不是人的属性,是分辨率的属性
【锚点】这一篇只钉一个判断:在数字痕迹数据里,匿名从来不是「把人名删掉」,而是「你选择在多粗的格子上看人」。同一批人,换个格子就从匿名变实名——而选格子的人,不是你。
【显式】de Montjoye、Hidalgo、Verleysen、Blondel 2013 年在 Scientific Reports 发过《Unique in the Crowd》。数据是约 150 万人的手机位置记录,跨约 15 个月。结论:随机取 4 个时空点(某时在某基站),约 95% 的个体可被唯一识别;取 2 个点约 50%。不需要姓名、不需要号码,只要「位置序列」。
【隐式】这一步推理只要一步,但常被跳过:所谓「去标识化」,删掉的是【标识符】,留下的是【行为】。而行为在高分辨率下本身就是标识符——因为人的轨迹太规律(家—单位—家),熵太低。所以「匿名数据集」这个说法在逻辑上是空的:它没有说在什么分辨率下匿名。
【细微】要发现这一点,得比对两处:论文里唯一性随「粗化」下降,但没有崩掉。把时间粗化到小时级、空间粗化到基站片区,唯一性仍远高于随机。也就是说,隐私不是被某个技术细节泄露的,是被【分辨率】泄露的——而分辨率是数据持有者单方面选的参数,被观测者从未参与这个选择。
【流程节点链路】原始位置流 → 按(时间桶 × 空间格)离散化 → 得到每个个体的点集 → 4 点匹配 → 唯一命中 → 去匿名化。注意:链路的第二个节点就已经决定了终点的成败,而它通常只写在「数据说明」的脚注里。
【极难发现】再深一层:匿名化不是「移除身份」,是【把身份重新定义为行为等价类】。你删掉姓名,等于宣布「同一个等价类里的人算同一个人」。于是「唯一识别」不是隐私的失败,而是这个定义的必然推论:只要等价类足够细,每个类里就只剩一个人。所以真问题从来不是「能不能匿名」,而是「谁有权定义等价类的粒度」。
【差分隐私的位置】Dwork 那套 ε-差分隐私之所以重要,不是因为它「加噪」,是因为它把粒度问题变成了一个可以写进合同的数字:ε 就是「观测者被允许学到的、关于你的信息上限」。而 Dinur & Nissim(2003)的重构攻击说明了为什么必须限制「查询次数」而不只是单次噪声——统计量可以组合,组合会还原个体。噪声不是万灵药,预算才是。
【数字人文的同一句话】语料切分即论证。Mosteller 与 Wallace 1964 年用函数词频率判《联邦党人》12 篇争议作者,结论归 Madison;这个结论的强度完全取决于「以什么为词、以什么为文档边界」。换成字符 n-gram、或换掉文档切分,置信度就变。文本挖掘里没有「客观的单元」,只有被选定的单元。
【可辩的问题】如果匿名性是分辨率的函数,那么「知情同意」应该按什么粒度来签?我们现在的同意书问的是「是否允许收集位置」;但真正决定你能否被认出的,是「收集到多少米、多少分钟」。一个只问「要不要」、不问「多粗」的同意,是不是在结构上就无法履行?







0 Comments