论文记录-刘金飞老师论文综述

2026-03-06

字数统计: 80.8k | 阅读时长≈ 289 分钟

刘金飞老师论文综述

我的研究方向计划做数据要素方向，而刘金飞老师是领域内的大佬，因此借助大模型把他的论文过一遍，挑选一部分进行精读。这份综述分两部分，第一部分是汇总所有论文的分类和总体介绍，第二部分是对每一篇论文的说明。

论文总体综述

📊 论文分类概览

本综述基于所给28篇论文的核心问题、技术范式与研究目标，将其系统划分为六大主题类别。分类逻辑兼顾方法论一致性（如是否使用博弈论、差分隐私、Shapley值）与应用域统一性（如数据市场、图分析、隐私保护）。分类结果如下表所示：

分类	论文标题	核心贡献简述
📊 数据市场机制设计（博弈驱动）	A Profit-Maximizing Data Marketplace with Differentially Private Federated Learning under Price Competition	首次建模“价格制定者”与“价格接受者”共存的DPFL数据市场，提出三阶段Stackelberg博弈并证明唯一子博弈完美均衡。
	Bargaining-Based Data Markets	提出首个双边迭代议价框架，系统建模数据可复制性引发的外部性，并设计三阶段协商-结算流程。
	Share: Stackelberg-Nash based Data Markets	创新性融合Stackelberg（买方→经纪商→卖方）与Nash（卖方间竞争）博弈，实现需求驱动的绝对定价与内生卖家选择。
	When Data Pricing Meets Non-Cooperative Game Theory	提出首个四维博弈论框架（参与者/对象/行动/信息），系统化梳理数据定价中的博弈结构与理论挑战。
🔍 数据市场机制设计（非博弈）	A Survey on Data Markets	首个跨学科综合性综述，提炼“六维理想市场”标准（Truthfulness, Fairness等），构建全生命周期分析框架。
	DataPrice: An Interactive System for Pricing Datasets in Data Marketplaces	构建首个端到端交互式定价系统，融合mBERT、随机森林与Shapley解释，支持多模式定价与自然语言说明。
	Reliable and Private Utility Signaling for Data Markets	提出非可信第三方下的效用信号机制，利用恶意安全MPC与哈希验证，保障信号计算的隐私性与输入可靠性。
🛡️ 隐私保护与安全计算	CARGO: Crypto-Assisted Differentially Private Triangle Counting without Trusted Servers	弥合CDP与LDP鸿沟，结合加法秘密共享与拉普拉斯无限可分性，在无可信服务器下实现高精度三角形计数。
	Differentially Private Histogram Publication For Dynamic Datasets: An Adaptive Sampling Approach	提出自适应距离采样框架（DSAT），通过PID反馈控制仅在数据显著变化时发布，大幅降低动态数据流的累积误差。
	Federated Graph Analytics with Differential Privacy	首次定义“联邦图分析”（FGA）问题，提出FEAT/FEAT+框架，利用DPSU和节点度分区解决边重叠导致的隐私预算浪费。
	Privacy Enhancement Via Dummy Points in the Shuffle Model	提出DUMP框架，引入“虚拟毯子”概念，在shuffle模型中通过添加虚拟点显著提升直方图估计性能与通信效率。
	Secure Similarity Queries Enabling Precision Medicine with Privacy	提出“安全天际线查询”新方向，突破kNN需预设权重的局限，探讨同态加密与HVE等密码学路径。
	Secure and Efficient Skyline Queries on Encrypted Data	首次在Paillier加密下实现完全安全的天际线查询协议，提出安全支配关系判断子协议与惰性合并优化策略。
	Secure Skyline Queries on Cloud Platform	同上，但更强调双服务器架构与工程实现，提供串行/并行版本及完整复杂度分析。
	Skyline Diagram: Efficient Space Partitioning for Skyline Queries	提出Skyline Diagram概念，类比Voronoi图，为skyline查询建立高效空间划分结构以加速在线响应。
	Skyline Diagram: Finding the Voronoi Counterpart for Skyline Queries	同上，但更侧重于概念起源与三类skyline（象限/全局/动态）的算法设计，强调其作为Voronoi对偶的理论意义。
⚖️ 公平价值评估与数据估值	Computing Shapley Values in Preference Queries	首次将Shapley值应用于偏好查询场景，提出凸轮廓点筛选与超平面排列积分法，高效计算数据点对用户偏好的贡献。
	Dynamic Shapley Value Computation	首次形式化“动态Shapley值计算”问题，提出Pivot/Delta/YN-NN三种算法，支持数据增删后的高效增量更新。
	Efficient Sampling Approaches to Shapley Value Approximation	提出“互补贡献”（CC）新范式，将单样本复用率从1提升至n，结合Neyman分配实现高效近似。
	Equitable Data Valuation Meets the Right to be Forgotten in Model Markets	提出S-Shapley值，适配机器遗忘的分片训练结构，满足公平性质，并设计Delta-based高效更新算法。
	P-Shapley: Shapley Values on Probabilistic Classifiers	提出P-Shapley，以预测概率替代准确率作为效用函数，并引入凸校准函数，提升对高置信度改进的敏感性与估值稳定性。
	Shapley Value Estimation based on Differential Matrix	提出差分矩阵（ΔSV）新范式，先估计成对差异再通过效率性公理重构Shapley值，显著降低估计方差。
	ShapleyFL: Robust Federated Learning Based on Shapley Value	提出ShapleyFL框架，将每轮FL建模为合作博弈，用代理联邦Shapley值（SSV）动态加权聚合，提升Non-IID与攻击鲁棒性。
	Shapley_Value_Approximation_Based_on_Complementary_Contribution	同上，是前者的深化与扩展，明确将CC范式推广至动态场景（DMC/DCC），支持玩家加入/删除的增量更新。
🧩 图数据与知识图谱分析	PGB: Benchmarking Differentially Private Synthetic Graph Generation Algorithms	提出首个图生成算法基准PGB，系统评测6种算法在8个图、6个ε下的15项指标，揭示“无免费午餐”定律。
	Privacy Risks of Federated Knowledge Graph Embedding: New Membership Inference Attacks and Personalized Differential Privacy Defense	首次系统研究FKGE隐私风险，提出5种新成员推断攻击（MIA），并设计PDP-FLames防御框架。
	Quantifying and Defending against Privacy Threats on Federated Knowledge Graph Embedding	同上，是前者精炼版，聚焦3种MIA与DP-FLames，实证显示其能将攻击成功率从83.1%降至59.4%。
🔖 水印与版权保护	B²Mark: A Blind and Buyer-Traceable Watermarking Scheme for Tabular Datasets	提出首个盲式、可追溯买家的表格水印方案，通过值域划分与z-test实现一次检测直接解码买家ID。
	TabularMark: Watermarking Tabular Datasets for Machine Learning	提出TabularMark，首次将ML实用性（模型性能影响）纳入水印评价体系，利用z检验保证可检测性与低侵入性。
⚙️ 系统与基础设施创新	NTTproofs: A Maintainable and Aggregatable Vector Commitment With Fast Openings and Updates	提出NTTproofs向量承诺方案，利用NTT加速与分片架构，实现O(√n)更新与常量大小聚合证明。
	EulerFD: An Efficient Double-Cycle Approximation of Functional Dependencies	提出EulerFD算法，采用双循环反馈机制，通过负覆盖增长率（GRNcover）动态调整采样，实现高效FD发现。
	Self-Propagation Graph Neural Network for Recommendation	提出SGNN，颠覆GNN稀疏传播范式，学习一个密集的自传播矩阵，以低秩分解方式补全缺失链接，提升推荐性能。

分类说明：该分类超越了简单的关键词匹配，而是深入到论文的核心思想内核。例如，“CARGO”、“FEAT”和“DUMP”虽均属隐私保护，但其技术路线截然不同（密码学辅助DP vs 联邦图分析 vs shuffle模型），故被归入同一主类下的不同子类；而“B²Mark”与“TabularMark”虽同为水印，但前者强调“盲式可追溯”，后者强调“ML实用性”，因此独立成类。

📝 深度综合综述

本综述的核心洞见在于：这28篇论文共同构成了一个关于“数据要素可信流通”的宏大叙事。它们并非孤立的技术点，而是一个相互支撑、层层递进的完整生态系统的不同构件。以下从三个维度进行横向对比与趋势总结。

🔍 共同解决的核心问题

所有论文都致力于应对数字经济时代最根本的挑战：如何在释放数据价值的同时，系统性地保障其安全性、公平性与可控性？ 这一核心问题具体表现为三个层面的张力：

价值释放 vs. 隐私泄露：数据是生产要素，但原始数据共享必然带来隐私风险（GDPR、HIPAA等法规压力）。这是贯穿所有论文的底层矛盾。无论是DPFL数据市场、联邦图分析，还是安全相似性查询，其终极目标都是在不暴露原始数据的前提下，让数据的价值得以被挖掘和交易。
个体权益 vs. 集体效用：数据价值并非均质分布。单个数据点、单个客户端、单个数据拥有者，其贡献度千差万别。如何公平、精确、高效地衡量这种贡献（即“数据估值”），是激励相容、防止搭便车、实现可持续市场的基石。“ShapleyFL”、“S-Shapley”、“P-Shapley”等论文正是对此的直接回应。
市场效率 vs. 机制复杂性：一个理想的数据市场应像股票交易所一样高效、透明、自动化。然而，现实中的数据具有可复制性、价值不确定性、外部性等独特属性，使得传统经济学模型失效。因此，“如何设计一套既能捕捉数据本质特性，又能在工程上落地的市场机制？”成为“Bargaining-Based Data Markets”、“Share”、“DataPrice”等工作的核心命题。

⚙️ 方法论上的异同点

维度	共同点	关键异同点（举例）
基础理论工具	高度依赖三大理论支柱： - 博弈论（Stackelberg/Nash/议价）用于建模多方策略互动； - 差分隐私（DP）作为形式化隐私保障的通用语言； - Shapley值作为衡量公平贡献的黄金标准。	- 博弈论应用深度不同：《A Profit-Maximizing…》和《Share》构建了复杂的多阶段混合博弈，而《When Data Pricing Meets…》则提供了更高阶的元框架。 - DP实施范式不同：《CARGO》采用密码学辅助的分布式DP，《rPDP-FL》则将DP粒度细化到记录级，《FEAT》则针对联邦图分析设计了Edge DDP。
技术创新路径	普遍遵循“问题驱动—范式革新—工程落地”路径： 1. 识别现有范式的根本缺陷（如kNN需预设权重、Shapley计算昂贵、DP效用损失大）； 2. 提出颠覆性新范式（如“安全天际线”、“自传播GNN”、“互补贡献”）； 3. 设计可执行的算法与系统（如PFA的奇异值投影、NTTproofs的快速NTT变换）。	- 范式革新来源不同：《Skyline Diagram》的灵感来自几何学（Voronoi图），《SGNN》来自图论与线性代数（低秩分解），《B²Mark》则源于统计学（z检验）。 - 工程优化侧重点不同：《rPDP-FL》优化的是参数搜索（SCF拟合），《PFA+》优化的是通信（上传低维投影），《NTTproofs》优化的是密码学原语（NTT）。
评估范式	均强调实证验证：绝大多数论文都进行了严格的实验，使用真实数据集（如NBA、MNIST、FB15k-237）和合成数据集（INDE/CORR/ANTI），并报告关键指标（误差、时间、准确率、F1-score）。	- 评估目标不同：《PGB》追求“全面性”（43,200次实验），《B²Mark》追求“鲁棒性”（多种攻击下的z-score），《DataPrice》追求“实用性”（用户界面与自然语言解释）。 - 评估视角不同：《ShapleyFL》关注鲁棒性（对抗攻击），《PFA》关注异构性（不同ε），《DUMP》则关注通信效率（消息数）。

📈 当前领域的技术发展趋势总结

基于对上述论文的横向比较，可以清晰勾勒出当前研究的四大主流趋势：

从“中心化”到“去中心化/联邦化”的范式迁移：信任假设正被彻底重构。早期工作（如CDP三角形计数）依赖一个绝对可信的中央服务器，而最新研究则普遍拥抱“零信任”模型。《CARGO》（无需可信服务器）、《FEAT》（联邦图分析）、《ShapleyFL》（鲁棒联邦学习）以及《PGLP》（位置隐私中的马尔可夫先验）无不体现这一趋势。未来，“分布式信任”将成为默认前提，而非需要证明的例外。
从“粗粒度”到“细粒度”的隐私与价值控制：隐私和价值的控制正变得前所未有的精细。《rPDP-FL》将DP预算从“客户端级”推进到“记录级”；《PGLP》将隐私要求从“统一模糊”细化到“策略图”定义的任意位置对；《Dealer》则将模型的“Shapley覆盖率”作为买家支付的关键变量。这标志着领域已从宏观政策讨论，进入微观技术实现的新阶段。
从“静态模型”到“动态演化”的系统观：现实世界是流动的。因此，研究焦点正从静态快照转向动态过程。《Dynamic Shapley Value Computation》处理数据增删，《Differentially Private Histogram Publication》应对动态数据流，《Projected Federated Averaging》考虑异构隐私预算随时间的变化，《Reliable and Private Utility Signaling》则旨在解决“信号”这一动态决策环节。一个真正可用的系统，必须内置对“变化”的适应能力。
从“技术孤岛”到“交叉融合”的方法论：最前沿的研究成果无一例外是交叉学科的结晶。《PGB》是图论、DP、数据库的融合；《NeurIPS-2024-data-faithful-feature-attribution》是因果推断（工具变量）与可解释AI（SHAP）的结合；《NTTproofs》是密码学（NTT）、代数学（卷积）与区块链（向量承诺）的杂交。单一学科的工具已不足以解决数据要素流通的复杂性，未来的突破必将在学科交叉的“无人区”诞生。

💡 关键图表与数据洞察

综合所有论文，最具代表性的图表与数据趋势可归纳为以下三点：

“U型曲线”：隐私-效用权衡的永恒困境 ：这是贯穿所有涉及DP的论文（《CARGO》、《rPDP-FL》、《DSAT》、《FEAT》）的核心洞察。几乎所有实验图（如《CARGO》的Fig. 5、《rPDP-FL》的Fig. 6、《DSAT》的Fig. 3）都呈现出一条清晰的“U型”或“倒U型”曲线。横轴是隐私预算（ε）或扰动强度，纵轴是效用（如误差、准确率）。曲线表明：过度保护（ε极小）会摧毁效用；过度开放（ε极大）则丧失隐私；最优解总是在两者之间的一个平衡点。这一发现不是偶然，而是数据科学的基本物理规律，它深刻地提醒我们：任何隐私保护方案的设计，本质上都是一场在U型谷底寻找最佳落点的艺术。
“指数墙”：计算复杂性的绝对壁垒 ：在所有涉及Shapley值、Skyline、FD发现的论文中，一个反复出现的“幽灵”是指数爆炸。《Dynamic Shapley Value Computation》的Table IV显示，MC重算时间随n增长呈$2.08 \times 10^5$秒级增长；《Finding Probabilistic k-Skyline Sets》指出，暴力枚举$C_n^k$的成本是不可承受的；《EulerFD》则明确提到，精确FD发现的复杂度为$O(n^2 2^m)$。这些图表（如《EulerFD》的Fig. 11）共同绘制了一幅警示图景：当数据规模（n）或维度（m）超过某个阈值，任何未经过精心设计的“朴素算法”都将撞上一道无法逾越的“指数墙”。因此，“降维”、“剪枝”、“采样”、“近似”已成为该领域所有高质量工作的标配。
“长尾分布”：数据价值与质量的残酷真相 ：《Computing Shapley Values in Preference Queries》的Fig. 7（Shapley值分布）和《ShapleyFL》的Fig. 1（攻击场景下性能）共同揭示了一个令人不安却无比真实的事实：数据价值与模型鲁棒性均呈现典型的长尾分布。在纽约市Airbnb数据中，少数房东贡献了绝大部分价值（右偏分布）；而在Fed-ISIC2019医疗数据集中，AFedSV算法之所以有效，正是因为其能精准识别并抑制那几个位于长尾末端的恶意客户端。这表明，一个成功的系统，其核心竞争力不在于如何服务那90%的“普通”数据或客户端，而在于如何优雅地处理那10%的“极端”情况——它们才是决定系统成败的关键。

✅ 精读推荐指南

本指南严格依据论文的原创性、技术深度、实证严谨性与工程价值四个维度进行评判。推荐理由力求具体、可验证，避免空泛赞誉。

精读列表：

《A Profit-Maximizing Data Marketplace with Differentially Private Federated Learning under Price Competition》
- 理由：开创性地将“价格制定者”引入DPFL市场模型，其三阶段Stackelberg博弈证明与分布式迭代算法是机制设计的典范，且代码开源，复现价值极高。
《Bargaining-Based Data Markets》
- 理由：首次系统量化了“数据可复制性”带来的外部性，设计了可证明收敛的议价框架，解决了数据定价中“价值不确定性”的根本难题。
《CARGO: Crypto-Assisted Differentially Private Triangle Counting without Trusted Servers》
- 理由：创造性地融合密码学与差分隐私解决图分析NP-hard问题，弥合了CDP与LDP的鸿沟，其理论证明与实验效果极具标杆意义。
《Computing Shapley Values in Preference Queries》
- 理由：成功将Shapley值锚定于“偏好查询”场景，提出的空间划分与积分法实现了理论（多项式时间）与实践（真实数据）的双重突破。
《Cross-silo Federated Learning with Record-level Personalized Differential Privacy》
- 理由：提出了“记录级个性化DP”这一终极形态，其SCF策略巧妙破解了隐私边界求逆难题，是理论启发与工程智慧的完美结合。
《DataPrice: An Interactive System for Pricing Datasets in Data Marketplaces》
- 理由：从学术走向产业的杰出范例，不仅是一个算法系统，更展示了如何将Shapley值解释转化为自然语言，是XAI落地的教科书级案例。
《Dynamic Shapley Value Computation》
- 理由：直面数据动态演化现实，提供三套对应不同工程约束的算法，为实际部署提供了丰富的技术选项，时间对比数据极具参考价值。
《Eclipse: Generalizing kNN and Skyline》
- 理由：提出优雅的广义查询算子统一1NN与Skyline，其对偶变换与索引设计展现了极高的算法工程水准。
《Faster Output-Sensitive Skyline Computation Algorithm》
- 理由：虽年代较早，但其摒弃复杂中位数选择、以简洁划分 - 筛选思路降低常数因子的思想，体现了“大道至简”的算法设计哲学。
《NTTproofs: A Maintainable and Aggregatable Vector Commitment With Fast Openings and Updates》
- 理由：革命性地将快速数论变换（NTT）引入向量承诺，将更新复杂度降至 O(n)O(n) ，为下一代无状态区块链提供了坚实基础设施。
《PGB: Benchmarking Differentially Private Synthetic Graph Generation Algorithms》
- 理由：提出了(M,G,P,U)四元组基准模型并进行了系统性分析，为整个图生成领域树立了不可绕过的评价标尺。
《ShapleyFL: Robust Federated Learning Based on Shapley Value》
- 理由：将Shapley值升级为驱动联邦学习聚合的实时引擎，其SSV和DMC机制为解决FL鲁棒性问题提供了全新范式。
《Skyline Diagram: Efficient Space Partitioning for Skyline Queries》
- 理由：回答了“是否存在Skyline的Voronoi图”这一理论悬案，催生了高效算法，是理论指导实践的典范。
《TabularMark: Watermarking Tabular Datasets for Machine Learning》
- 理由：首次将“机器学习实用性”作为水印核心KPI，证明了几乎零损耗的嵌入效果，填补了领域关键空白。
《When Data Pricing Meets Non-Cooperative Game Theory》
- 理由：构建了强大的四维分类框架，为后续研究者提供了思考的坐标系与对话语言，战略价值远超普通技术论文。
《Federated Graph Analytics with Differential Privacy》
- 理由：在“联邦图分析”新兴领域具有开创性，其节点度分区思想对理解未来跨机构图数据协作至关重要。
《Equitable Data Valuation Meets the Right to be Forgotten in Model Markets》
- 理由：其S-Shapley值连接了“公平估值”与“机器遗忘”，解决了GDPR合规与技术实现之间的根本矛盾。
《Shapley_Value_Approximation_Based_on_Complementary_Contribution》
- 理由：将“互补贡献”范式推向极致，为大规模数据市场的实时、动态估值提供了最高效的算法基座。
  略读列表：
《A Survey on Data Markets》
- 理由：权威综述，价值在于宏观全景。建议仅浏览“六维理想市场”标准和全生命周期框架图，无需深究细节。
《B²Mark: A Blind and Buyer-Traceable Watermarking Scheme for Tabular Datasets》
- 理由：核心思想与《TabularMark》相似，且后者评估更全面；其盲式检测创新已被涵盖。
《Dealer: An End-to-End Model Marketplace with Differential Privacy》
- 理由：核心思想已被后续更高效工作（如ShapleyFL）超越，算法计算开销大，缺乏现代工程价值。
《Demonstration of Dealer…》
- 理由：前一篇《Dealer》的演示版，内容高度重复，无新增理论贡献。
《Differentially Private Histogram Publication…》
- 理由：核心思想已在更先进的《CARGO》和《FEAT》中体现，整体框架相对简单。
《EulerFD: An Efficient Double-Cycle Approximation of Functional Dependencies》
- 理由：属于数据库特定子领域，与数据市场、隐私公平性主线关联较弱。
《Fast Algorithms for Pareto Optimal Group-based Skyline》
- 理由：核心贡献（G-Skyline定义）已在前作确立，本文主要为工程提速，对理解核心思想帮助有限。
《Group-Based Skyline for Pareto Optimal Groups》
- 理由：前作的扩展版，增加了Top-k代表性，但核心创新已完成于前作。
《NeurIPS-2023-capp-130-a-corpus-of-chinese-application-privacy-policy-summarization-and-interpretation》
- 理由：核心贡献是语料库，对于聚焦“机制与隐私”的主线而言，属于应用层工具而非方法论核心。
《NeurIPS-2024-data-faithful-feature-attribution-mitigating-unobservable-confounders-via-instrumental-variables》
- 理由：侧重特征归因与模型解释，与“数据价值评估”的目标存在差异。
《Privacy_Risks_of_Federated_Knowledge_Graph_Embedding…》
- 理由：内容与另一篇精炼版高度重合，建议直接阅读后者。
《Projected Federated Averaging with Heterogeneous Differential Privacy》
- 理由：核心思想已被《ShapleyFL》的加权机制涵盖，且后者普适性更强。
《Quantifying and Defending against Privacy Threats on Federated Knowledge Graph Embedding》
- 理由：虽是对风险的精炼阐述，但防御方案的技术深度不及其他相关全面研究。
《Reliable and Private Utility Signaling for Data Markets》
- 理由：MPC框架先进但应用场景狭窄，其挑战在《DataPrice》中已有更轻量实用的解法。
《Secure Similarity Queries Enabling Precision Medicine with Privacy》
- 理由：前瞻性概念论文，指明了“安全天际线”方向但未给出具体算法或实验。
《SkyRec: Finding Pareto Optimal Groups》
- 理由：工具包介绍，核心算法已在前作详述，本文重在可视化与集成。
《Visually Aware Recommendation with Aesthetic Features》
- 理由：侧重推荐系统与美学特征，与数据市场、隐私公平性主线关联度低。

🔮 未来研究方向建议

基于对28篇论文局限性的系统梳理，我们预测下一阶段的研究热点将围绕以下五个方向展开：

“因果驱动”的数据价值评估：当前的Shapley值（及其变体）本质上是统计相关性度量。未来工作将深度融入因果推断，例如，探索如何利用Do-calculus或反事实推理来评估“若移除某条数据，模型在特定人群上的表现将如何变化”，从而赋予数据估值以真正的因果解释力，从根本上解决“混杂因子偏差”问题（如《NeurIPS-2024》所揭示）。
“可编程”的隐私-效用合约：隐私预算（ε）将不再是一个固定参数，而是一种可编程的智能合约。例如，一个数据拥有者可设定：“我的数据在用于‘疾病预测’任务时，ε=1；用于‘广告投放’任务时，ε=0.1”。这要求底层技术（如DP、MPC）能够根据运行时上下文动态切换其隐私保障强度，形成一种“隐私即服务”（Privacy-as-a-Service）的新型范式。
“人机协同”的数据市场治理：市场不应是纯自动化的黑箱。未来研究将聚焦于“可审计性”与“可干预性”，例如，设计一种可视化仪表盘，让监管者能实时看到：哪些数据正在被哪些模型使用、其Shapley值如何演变、隐私预算消耗速率是否异常。这将把事后监管转变为事中监督，实现“技术治理”与“人工治理”的深度融合。
“跨链互操作”的数据资产确权：随着Web3.0的发展，数据资产将不再局限于单一平台。未来的研究将探索如何利用零知识证明（ZKP）和跨链桥接技术，使一个在A链上注册的水印（如B²Mark），其所有权和溯源信息能够被B链上的智能合约无缝验证，从而构建一个全球化的、可互认的数据产权网络。
“自适应”的动态博弈机制：当前的博弈模型（Stackelberg、Nash）大多假设参与者的策略空间是静态的。未来的研究将引入强化学习（RL）或元学习（Meta-Learning），让博弈参与者（如数据经纪人）能够根据历史交易数据，自主学习并动态调整其定价策略、采购策略乃至博弈模型本身（例如，从“价格竞争”自动切换到“质量竞争”），使整个数据市场具备自我进化的能力。

这28篇论文共同描绘了一幅激动人心的图景——一个由可信、公平、高效、自治四大支柱支撑的下一代数据要素市场。我们正处于这场变革的黎明，而这份综述，正是为每一位参与者点亮的第一盏灯。

论文详细说明

论文标题：A Profit-Maximizing Data Marketplace with Differentially Private Federated Learning under Price Competition

论文信息

论文作者：
- Peng Sun（湖南大学）
- Liantao Wu*（华东师范大学，通讯作者）
- Zhibo Wang（浙江大学）
- Jinfei Liu（浙江大学）
- Juan Luo（湖南大学）
- Wenqiang Jin（湖南大学）
论文核心摘要：
本文提出了一种基于差分隐私联邦学习（DPFL）的新型利润最大化数据市场机制，该机制同时支持价格制定型（price-setting）和价格接受型（price-taking）数据所有者。通过构建一个三阶段Stackelberg博弈模型，研究在价格竞争下模型请求方如何优化其利润。文章证明了该博弈存在唯一的子博弈完美均衡（SPE），并设计了分布式迭代算法来求解均衡策略。实验表明，所提框架能显著提升模型请求方的利润，且价格制定型数据所有者的竞争会降低市场价格。
研究背景与目的：
随着机器学习应用的普及，对高质量训练数据的需求推动了数据市场的兴起。然而，传统数据交易模式面临严重的隐私泄露风险。联邦学习（FL）虽可避免原始数据共享，但仍易受梯度推断攻击。为此，结合差分隐私（DP）的联邦学习（DPFL）成为主流解决方案。现有研究多假设模型请求方拥有绝对定价权，而现实中如Experian、Equifax等大型数据经纪商具备自主定价能力。因此，本文旨在解决当市场上同时存在价格接受型个体用户与价格制定型机构时，如何建模多方互动以实现模型请求方利润最大化的问题。

论文关键方法概述：

关键方法：采用三阶段Stackelberg博弈建模：
1. 第一阶段：价格制定型数据所有者设定服务价格；
2. 第二阶段：模型请求方决定是否采购其隐私预算，并为价格接受型数据所有者设定价格；
3. 第三阶段：价格接受型数据所有者根据给定价格决定分配多少隐私预算用于训练。
实验设计：
- 使用合成参数模拟不同类型的参与者（2个price-setting + 8个price-taking）。
- 在MNIST和CIFAR数据集上进行联邦学习训练，评估模型准确率。
- 对比基准场景（仅含price-taking数据所有者）下的利润差异。
数据集：
- 公开数据集：MNIST（手写数字识别）、CIFAR（图像分类）
- 数据划分方式：均匀随机分配至各参与方
- 联邦学习设置：LeNet（MNIST）、CIFAR-CNN（CIFAR），共训练180–600轮
技术细节：
- 差分隐私机制：高斯机制（满足p-zCDP）
- 收敛性分析基于非凸损失函数下的DPFL理论
- 社会福利效率定义为SPE下社会总收益与最优社会收益之比

主要结果：

核心发现：
1. 所提出的三阶段框架相比“仅有价格接受型数据所有者”的基线方案，显著提高了模型请求方的利润（见图5）。
2. 存在价格竞争时，价格制定型数据所有者之间的博弈导致最终市场均衡价格下降（见图4、图10）。
3. 模型质量要求越高（即约束S越小），模型请求方需支付更高补偿，利润下降（图5），但数据所有者获得更高回报（图9）。
4. 价格接受型数据所有者分配的隐私预算普遍高于价格制定型（图6），因其议价能力较弱。
5. 所提算法收敛速度快且具有良好可扩展性，平均迭代次数几乎不随参与者数量增加而上升（图11）。
图表描述：
- 图4：价格制定型数据所有者的价格迭代过程，显示快速收敛至纳什均衡。
- 图5：不同模型质量要求下模型请求方的利润对比，验证三阶段模型优势。
- 图6：随着S增大（质量要求降低），平均隐私预算减少。
- 图7：模型测试准确率随S增大而下降，符合预期。
- 图8：SPE的社会效率随price-setting数量增多或S减小而下降。
- 图9：price-setting数据所有者在高质需求下获利更多；反之则被price-taking超越。
- 图10：price-setting参与越多，模型请求方对price-taking设定的价格越低。
- 图11：算法2的平均迭代次数稳定，体现良好扩展性。

主要贡献与创新点：

首个融合两类数据所有者的DPFL数据市场模型：首次将价格制定型与价格接受型数据所有者统一纳入同一框架，更贴近现实市场结构（如医疗、金融领域中医院/银行 vs. 个人用户）。
严谨的博弈论建模与均衡分析：构建三阶段Stackelberg博弈，严格证明其为凸博弈，存在唯一子博弈完美均衡（SPE），并提供理论支撑。
高效实用的分布式算法设计：提出无需全局信息的迭代算法（Algorithm 1 & 2），允许数据所有者在不了解其他参与者的情况下达成均衡，通信开销小，适合实际部署。
揭示价格竞争的积极效应：实证表明price-setting数据所有者间的竞争会压低整体市场价格，间接惠及模型请求方，打破“强议价方必然抬价”的直觉认知。
全面的性能验证：涵盖利润、准确性、社会效率、收敛速度等多个维度的数值实验，验证模型有效性与实用性。

潜在局限性或未来工作：

未考虑数据质量异构性：当前模型仅基于隐私成本补偿，未评估数据贡献度（如某些数据所有者持有噪声数据）。未来拟引入Shapley值等机制实现公平激励。
存在套利风险：模型请求方可通过多次低价训练低质模型再集成的方式规避高价训练，破坏定价机制。后续将研究防套利定价策略。
静态博弈假设：模型假设一次性交互，未考虑长期动态合作关系。未来可拓展为重复博弈或多期合约机制。
简化市场结构：目前仅考虑两类数据所有者，未来可扩展至多层次市场结构（如中介平台、联盟组织等）。
真实参数获取挑战：内部参数（如隐私偏好α）依赖合成数据，实际中难以精确测量。需开发机制设计方法从行为中反推私有信息。

论文标题： A Survey on Data Markets

论文信息

论文作者：
Jiayao Zhang, Yuran Bi, Mengye Cheng, Jinfei Liu*, Kui Ren, Qiheng Sun, Yi-Hang Wu (浙江大学)；Yang Cao (东京理工学院)；Raul Castro Fernandez, Haifeng Xu (芝加哥大学)；Ruoxi Jia (弗吉尼亚理工大学)；Yongchan Kwon (哥伦比亚大学)；Jian Pei (杜克大学)；Jiachen T. Wang (普林斯顿大学)；Haocheng Xia (伊利诺伊大学厄巴纳-香槟分校)；Li Xiong (埃默里大学)；Xiaohui Yu (约克大学)；James Zou (斯坦福大学)
论文核心摘要：
本文是对“数据市场”这一新兴且重要领域的全面综述。文章系统地回顾了数据市场的全生命周期，包括数据搜索、数据产品化、数据交易、定价机制、收益分配，以及相关的隐私、安全与信任问题。同时，还探讨了不同国家和行业中的政府政策及实际数据市场现状，并指出了当前尚未解决的关键挑战和未来研究方向。
研究背景与目的：
随着“数据是新时代石油”的理念深入人心，数据交易正成为提升社会福利的重要趋势。然而，如何高效、公平、安全地实现数据流通仍面临诸多技术与制度障碍。本文旨在整合学术界和工业界关于数据市场的研究成果，构建一个系统的理论框架，梳理关键技术路径，并为后续研究提供清晰的方向指引。

论文关键方法概述：

关键方法：
- 分类与归纳法：将数据市场的研究划分为多个子领域（如数据搜索、产品化、定价等），并对每个领域内的主流方法进行归类总结。
- 跨学科融合：结合数据库、机器学习、博弈论、经济学、密码学等多个学科的技术手段来分析数据市场问题。
- 案例分析：通过分析典型的数据交易平台（如Snowflake、AWS Data Exchange、Dawex）来揭示现实应用中的机制设计。
实验设计：
作为一篇综述性论文，本文不涉及原始实验设计，而是对已有研究工作的系统性整理与批判性评述。
数据集：
无直接使用的数据集，但文中引用并分析了大量来自真实世界的数据市场平台和服务（如AWS、Snowflake、OneTrust等）作为实证支撑。

主要结果：

数据搜索方面：
- 提出多种数据发现机制，包括基于超图的知识图谱（EKG）、自然语言查询接口、多模态嵌入表示等，支持结构化与非结构化数据的联合检索。
数据产品化：
- 明确三种版本策略：
  - 视图/子集型版本化（如按列或行切片）
  - 噪声注入型版本化（添加差分隐私噪声以控制精度）
  - 混合型版本化
数据交易与广告策略：
- 卖方可通过信息信号机制（如样本预览、质量证明）吸引买方；
- 买方可采用主动学习、统计估计或模型训练等方式优化采购决策。
数据定价机制：
- 总结多种定价模型，包括线性查询定价、Stackelberg博弈定价、拍卖机制等；
- 强调“无套利”（arbitrage-free）定价的重要性，防止买家通过组合低价查询推断高价查询结果。
隐私与安全机制：
- 差分隐私、多方安全计算、联邦学习、区块链、智能合约等被广泛用于保障数据合规与可追溯性；
- “机器遗忘”（machine unlearning）被视为满足GDPR“被遗忘权”的关键技术。
实际市场平台分析：
- 列举多个代表性平台，如：
  - Snowflake Marketplace：提供超过1300个实时数据集；
  - AWS Data Exchange：集成超千个许可数据产品；
  - Dawex：专注于企业间安全数据交换；
  - OneTrust：聚焦数据合规管理。

主要贡献与创新点：

首次系统性构建数据市场研究框架：
将分散的研究主题整合为统一框架，涵盖从数据发现到销毁的完整生命周期。
提出六大核心维度：
明确提出数据市场应具备的关键属性——真实性、公平性、盈利能力、隐私保护、可追溯性、效率，为评估机制设计提供标准。
跨领域深度融合分析：
成功连接数据库系统、人工智能、经济学与法律合规等多个领域，体现高度交叉性。
强调实践导向：
不仅总结理论进展，还深入剖析现有产业生态与政策环境，增强实用性。
识别开放挑战与未来方向：
在结尾部分明确提出未解难题，如动态定价、激励兼容机制、去中心化市场架构等，引导未来研究。

潜在局限性或未来工作：

局限性：
1. 作为综述文章，缺乏原创算法或实证验证；
2. 对某些细分技术（如具体的差分隐私实现方案）描述较为概括，深度有限；
3. 政策分析主要集中在欧美法规（如GDPR、HIPAA），对中国PIPL等新兴法规讨论不足。
未来工作建议：
1. 发展更高效的机器遗忘算法，尤其适用于大模型场景；
2. 构建去中心化的数据市场架构，利用区块链实现透明可信交易；
3. 探索个性化定价与合同理论结合的新范式；
4. 加强对多边参与者的激励机制设计研究，促进数据共享联盟形成；
5. 推动跨域数据互操作标准建设，降低交易摩擦成本。

✅ 总结：该论文是一篇极具影响力的综合性调研，不仅为研究人员提供了详尽的文献地图，也为政策制定者和企业实践者提供了宝贵的参考依据，标志着数据市场作为一个独立研究方向的成熟化。

论文标题： Bargaining-based Data Markets

论文信息

论文作者：
Yuran Bi¹², Jinfei Liu¹²*, Kui Ren¹², Yihang Wu¹², Yang Cao³
（¹ 浙江大学区块链与数据安全国家重点实验室；² 杭州高新区（滨江）区块链与数据安全研究院；³ 东京工业大学）
论文核心摘要：
随着数据驱动业务的普及，数据市场作为实现数据商品化、流通和利用的重要平台受到广泛关注。然而，由于数据价值具有不确定性且存在外部性（因数据可复制导致多个买家同时获得相同数据而影响彼此效用），传统定价机制难以有效解决数据交易中的价格协商问题。本文提出了首个基于讨价还价（bargaining-based）的数据市场框架，通过三阶段博弈模型来应对数据市场的外部性挑战。该框架包括准备阶段、谈判阶段和结算阶段：在谈判阶段采用迭代竞价算法求解均衡报价，确保买卖双方利润最大化；在结算阶段提出近似算法解决NP难的数据分配问题，在满足买方个体理性的同时实现卖方收益最大化。实验结果验证了该框架在真实数据集上的有效性与高效性。
研究背景与目的：
数据被誉为“21世纪的新石油”，其广泛可用依赖于高效的流通机制。数据市场为数据买卖提供了一个生态系统，但其中的关键难题是如何合理定价。不同于实物商品，数据具有非排他性和可无限复制性，这使得一个买方获取数据后可能削弱其他潜在买家对该数据的价值评估——即产生“外部性”（externality）。例如，若两家竞争公司都能购买到同一份客户意图数据，则每家公司从中获得的竞争优势都会下降。这种不确定性使买卖双方难以准确评估数据的真实价值，从而阻碍交易达成。

现有拍卖机制（如一价/二价拍卖）通常只允许单边出价，无法充分体现供需双方对价格的共同决定权；而固定定价又忽略了动态博弈过程。因此，本文旨在构建一种新的双边参与、支持多轮交互的定价机制，以在考虑外部性的前提下促成公平且激励相容的数据交易。

论文关键方法概述

关键方法：
- 提出一个三阶段讨价还价框架（Preparation → Negotiation → Settlement）；
- 在谈判阶段设计了一种迭代双向竞价算法（iterative bidding algorithm），买卖双方交替更新报价直至收敛至纳什均衡；
- 在结算阶段将买家选择问题建模为带动态约束的优化问题，并提出两种近似算法（贪心算法与枚举增强型贪心算法）进行求解；
- 引入差分定价（differential pricing）策略，根据不同买家的任务差异设定个性化价格。
实验设计：
- 使用两个真实世界数据集进行实验验证：
  1. IMDb电影数据库：模拟不同查询任务下的数据估值；
  2. 频谱拍卖数据集（Spectrum）：提取实际竞拍行为用于买家估值建模。
- 外部性参数随机生成并控制范围（如[0,10%]×估值），用于测试不同强度外部性的影响。
- 对比基线包括：
  - 随机出价拍卖（Random-Bidding Auction）
  - 带保留价的第二价格拍卖（Second-Price Auction with Reserve Price）
  - VCG拍卖机制（Vickrey-Clarke-Groves）
数据集：
- IMDb：25个买家，每人对应一个SQL查询任务；
- Spectrum：500个买家，基于真实拍卖出价推断其估值。

主要结果

核心发现：
- 所提框架在总收入（seller revenue）和社会福利（social welfare）两项指标上均显著优于所有基线方法。
  - 图3(a)(c)显示，随着买家数量增加，本方案能持续维持较高收入水平，尽管外部性会导致边际收益递减。
  - 图3(b)(d)表明，本方案的社会总效用增长稳定，说明更多买家成功接入系统并获益。
- 谈判阶段表现出良好的收敛性：
  - 图4(a)(b)显示，无论在小规模(IMDb)还是大规模(Spectrum)场景下，买卖双方报价均能在有限轮次内收敛（平均约10–20轮）。
  - 初始报价不影响最终均衡价格（图6a），体现机制鲁棒性。
- 结算阶段算法效率高：
  - 贪心算法运行时间随买家数呈近似对数增长，在500个买家时仍可在6秒内完成（图5a）。
  - 枚举增强型贪心算法（EGA）在较小枚举集（如l=0.05N）下即可达到97%以上最优解精度，平衡了准确性与计算开销（图5b）。
数据或图表描述：
- 图2：运行示例，展示三轮买卖家互动后达成均衡价格的过程。
- 图3：整体框架性能对比，显示本方案在收入与社会福利方面全面领先。
- 图4：谈判过程可视化，展示报价随轮次变化趋势及收敛性。
- 图5：算法效率分析，反映时间复杂度随输入规模的变化规律。
- 图6：参数敏感性分析，揭示估值、外部性强度等因素对最终报价的影响。

主要贡献与创新点

首次将讨价还价理论应用于数据市场建模，解决了传统拍卖机制中供需双方话语权不对等的问题，实现了双边协同定价。
显式建模数据外部性（特别是负外部性），并在定价与分配决策中予以综合考量，增强了现实适用性。
设计了可证明收敛的迭代竞价算法，能够在不完全信息条件下引导参与者自发调整报价至均衡状态。
将结算阶段建模为带有动态个体理性约束的NP-hard选择问题，并提出具备理论近似保证的求解算法。
实现了自动化谈判流程，可用于现有数据交易平台（如Snowflake、AWS Data Exchange）的集成部署，推动数据交易从人工协商向程序化演进。

潜在局限性或未来工作

假设限制：
- 当前模型假定买家之间不存在合谋行为（collusion），但在现实中可能存在联盟操纵报价的风险；
- 外部性参数需预先设定，虽然文中引用经济计量方法拟合，但仍缺乏统一标准，未来可探索自动学习机制。
扩展方向：
- 支持流式买家加入（streaming buyers），而非一次性静态集合；
- 探索正外部性场景（如协作型组织间共享数据提升整体价值）；
- 引入隐私保护机制（如同态加密或可信执行环境TEEs）进一步保障参数安全性；
- 将框架拓展至多方卖家竞争环境，形成更复杂的多对多数据交易生态。
实践挑战：
- 实际部署需要可信第三方平台执行算法逻辑，目前依赖中心化机构维护信任；
- 对买家而言，理解外部性建模及其对自身收益的影响仍有一定门槛，需配套用户界面辅助决策。

综上所述，本文在理论上填补了数据市场中双边动态定价的研究空白，在技术上提供了完整可实施的解决方案，兼具学术深度与应用前景。

论文信息

论文作者：
- Yihao Zheng, Zhejiang University, China
- Jinfei Liu, Zhejiang University, China（通讯作者）
- Kui Ren, Zhejiang University, China
- Li Xiong, Emory University, United States
论文核心摘要：
本文提出了一种名为 B²Mark 的新型水印方案，专为表格型数据集设计，满足三个基本目标：可检测性（detectability）、非侵入性（non-intrusiveness）和鲁棒性（robustness），同时实现两个关键特性：盲检测（blind detection） 和 买方可追溯性（buyer-traceable）。该方法基于统计假设检验框架，通过将属性值域划分为“绿色”和“红色”区间，并结合加密哈希函数选择关键单元格来嵌入多比特水印标识符。在检测阶段，无需访问原始数据即可完成水印提取，从而保护数据隐私并支持第三方验证。实验表明，B²Mark 在多种真实与合成数据集上均能有效抵御篡改、插入、删除及生成式攻击，且对机器学习模型性能影响极小。
研究背景与目的：
随着结构化表格数据在医疗、金融、零售等领域的重要性日益提升，其作为高价值数字资产被广泛交易于数据市场（如AWS Data Exchange）。然而，数据近乎零成本复制的特性严重威胁了数据所有者的版权权益。现有水印技术虽可用于版权保护，但在实际应用中存在显著缺陷：
- 多数方案需依赖原始数据进行检测（非盲检测），增加存储开销与泄露风险；
- 缺乏买方可追溯机制，无法定位非法分发的责任买家；
- 单比特水印难以扩展至大规模买家场景；
- 对分类数据支持不足或鲁棒性差。
因此，本研究旨在填补这一空白，构建一个既适用于数值又适用于分类属性、具备盲检测能力、支持多买家高效追踪的水印系统。

论文关键方法概述

关键方法：
- 基于值域划分的水印嵌入（Value Domain Partitioning）：将数值属性的取值范围均匀划分为若干单位区间，随机指定一半为“绿区间”，另一半为“红区间”。对于分类属性，则将其类别集合平均分为两组。目标是使未修改的数据落入绿区的概率约为0.5。
- 哈希函数驱动的关键单元格选择（Cryptographic Hash Function-Based Selection）：利用一组选定属性的最高几位数字拼接成“组密钥”（Group Key），再与秘密密钥一起输入哈希函数，若输出模$g$等于0，则该单元格被选为“关键单元格”。
- 多比特水印编码（Multi-bit Watermark Encoding）：将整个数据集按行划分为多个组，每组对应水印的一个比特位。若某比特为1，则在该组内对关键单元格执行水印嵌入（即强制其值进入绿区间）；否则不作改动。
- 单比例 z 检验（One-Proportion Z-test）用于盲检测：在检测时，使用相同参数重建分区与关键单元格位置，统计其中落在绿区的比例，计算 z-score 并与阈值比较，判断是否存在显著偏差，进而恢复出完整的水印比特串。
实验设计：
- 对比基线：主要与最先进的单比特水印方案 TabularMark [44] 进行比较，评估其在可检测性、非侵入性和鲁棒性方面的表现；并与关系数据库水印方案 GAHSW [23] 和 SCPW [36] 对比买方追踪效率与误报率。
- 攻击类型测试：包括四种典型攻击：
  1. 篡改攻击（Alteration）：随机扰动一定比例的元组；
  2. 插入攻击（Insertion）：添加额外伪造元组；
  3. 删除攻击（Deletion）：随机移除部分元组；
  4. 生成式攻击（Synthesization Attack）：使用生成模型（如 BE-GREAT [7]）重建数据以擦除水印。
- 评价指标：
  - 可检测性：ROC 曲线下的面积（AUC）、z-score 值；
  - 非侵入性：下游任务性能变化（F1-score、MSE、准确率）；
  - 鲁棒性：不同攻击下 z-score 下降趋势；
  - 买方追踪能力：识别正确买家的时间成本与准确率。
数据集：
- 合成数据：三维随机生成数据，服从均匀、高斯、偏态分布，共9组，每组2000条记录。
- 真实世界数据集：
  - Forest Cover Type（森林覆盖类型，分类标签）
  - Boston Housing Prices（波士顿房价，回归任务）
  - Energy Efficiency（能源效率）
  - Student Performance（学生成绩）
  - Iris（鸢尾花数据集，用于对抗样本测试）

主要结果

RQ1: 可检测性验证（Detectability）
- 在原始数据集上检测得到的 z-score 接近0（如Forest: -0.64, Housing: -0.96），而在加水印后显著上升（Forest: 36.6, Housing: 12.2），说明水印成功引入了统计偏差。
- ROC曲线显示 AUC 达到 0.85~1.00，表明在各种数据分布下均具有优异的区分能力。
- 表明 B²Mark 能够可靠地从可疑数据集中检测出水印。
RQ2: 非侵入性验证（Non-intrusiveness）
- 在 Forest Cover Type 上训练 XGBoost 分类器，加水印前后 F1-score 几乎无损（仅下降约1~4个百分点）；
- 在 Boston Housing 数据上，MSE 由22.1升至23.2（B²Mark），低于 TabularMark 的25.3，说明其引入的数据扰动更小。
- 结果证明 B²Mark 对机器学习效用的影响极低。
RQ3: 鲁棒性验证（Robustness）
- 篡改攻击：即使80%元组被扰动，z-score 仍高于检测阈值（>3），F1-score 显著下降，说明攻击者若想彻底清除水印，必须牺牲大量数据可用性。
- 插入/删除攻击：分别在插入100%、删除80%元组后仍能检测到水印，z-score 保持较高水平。
- 生成式攻击：当关键单元数量较多时，B²Mark 比 TabularMark 更难被擦除，因为生成模型会继承绿区偏好模式。
- 综合来看，B²Mark 具备强健的抗攻击能力。
RQ4: 买方追踪能力验证（Buyer Tracing Efficiency）
- 在128个买家场景下，B²Mark 的追踪时间几乎恒定（约0.5秒），而传统逐参数匹配法（如TabularMark变体）随买家数增长呈线性甚至指数级上升。
- 在小于40%篡改攻击下，追踪准确率达100%；60%时略有下降，但仍优于对比方法。
- 与GAHSW和SCPW相比，B²Mark 的比特错误率（BER）更低，且假阳性率接近0，因其在无水印数据中始终解码为全0串。

主要贡献与创新点

首个支持盲检测的通用表格数据水印方案：
提出一种不依赖原始数据即可完成检测的新机制，解决了以往方案因需比对原数据而导致的安全与运维难题，尤其适合频繁更新或多版本发布的场景。
首次实现高效的买方可追溯水印机制：
引入多比特水印编码策略，每个买家分配唯一标识字符串，直接从可疑数据中一次性提取完整ID，避免了传统“逐一尝试参数”的低效方式，极大提升了追踪效率。
统一处理数值与分类数据的能力：
通过灵活的值域划分策略，B²Mark 同时兼容连续型和离散型属性，突破了多数现有方法局限于数值数据的限制。
理论驱动的设计优化：
文章提供了关于分区粒度$k$与关键单元数量$n_w$的数学分析，揭示了其在鲁棒性与稳定性之间的权衡关系，为参数设置提供指导依据。
全面实证验证：
在多个真实与合成数据集上进行了详尽实验，涵盖四类主流攻击，充分展示了方案的有效性、实用性与优越性。

潜在局限性或未来工作

局限性：
1. 特征选择攻击脆弱性：若攻击者删除用于生成组密钥的某些属性，则可能导致无法识别关键单元格。尽管文中提出跨列冗余嵌入缓解，但增加了复杂度。
2. 极端生成式攻击风险：当前生成模型尚不能完全消除隐含分布偏移，但随着生成技术进步（如大语言模型驱动的数据合成），未来可能发展出更具针对性的去水印生成器。
3. 文本/复杂结构数据不适用：目前仅针对结构化表格中的数值与分类字段，尚未扩展至文本、图像嵌入字段或其他半结构化内容。
4. 链式转售叠加噪声问题：虽然支持多层水印嵌套，但多次嵌入会累积扰动，可能削弱早期水印强度或损害数据质量。
未来工作方向：
1. 扩展至更多数据类型：探索如何将类似机制应用于文本属性、时间序列或图数据等复杂格式。
2. 增强对抗生成模型的能力：研究更强的分布扰动模式，使得生成模型难以学习并复现干净分布。
3. 动态自适应水印机制：根据数据敏感性或买家信誉动态调整水印强度与密度。
4. 结合区块链实现自动化确权与追踪：将水印检测结果与智能合约联动，实现自动化的侵权举报与赔偿流程。
5. 防御更复杂的协同攻击：例如多个买家联合拼接数据片段以规避追踪，需进一步加强水印的不可链接性与抗组合性。

综上所述，B²Mark 是一项在理论与实践层面都取得重要进展的工作，推动了数据版权保护技术向更加实用化、规模化和智能化的方向迈进。

论文标题： CARGO: Crypto-Assisted Differentially Private Triangle Counting without Trusted Servers

论文信息

论文作者：
Shang Liu（京都大学）
Yang Cao（北海道大学 / 统计数理研究所）
Takao Murakami（统计数理研究所）
Jinfei Liu（浙江大学）
Masatoshi Yoshikawa（大阪成蹊大学）
论文核心摘要：
本文提出了一种名为 CARGO 的新型系统，用于在无可信服务器的前提下实现高精度的差分隐私三角形计数。该系统结合了密码学技术（加法秘密共享）与分布式差分隐私机制，在不依赖中心化可信服务器的情况下，实现了接近中央差分隐私（CDP）模型的效用水平，同时避免了局部差分隐私（LDP）模型中因噪声过大导致的严重精度损失。CARGO通过三个关键技术组件——基于相似性的投影、基于秘密共享的三角计数协议和分布式扰动算法——有效降低了敏感度并保护了图数据中的边隐私。
研究背景与目的：
图数据分析广泛应用于社交网络、通信系统等领域，而三角形计数是衡量聚类系数、传递性等结构特征的关键任务。然而，直接发布三角形数量可能泄露个体之间的连接关系（如朋友关系），存在隐私风险。为此，差分隐私（DP）被引入以提供形式化的隐私保障。现有方法分为两类：
- 中央差分隐私（CDP）：需要一个可信服务器收集完整图数据，虽精度高但信任假设强；
- 局部差分隐私（LDP）：无需可信服务器，用户本地加噪，但因噪声叠加导致误差极大，实用性受限。
本文旨在弥合CDP与LDP在三角形计数上的效用鸿沟，设计一种既不需要可信服务器又能达到近似CDP精度的新框架。

论文关键方法概述

CARGO的核心思想是利用两个非共谋的半诚实服务器和加密工具，在去信任环境下安全地协同计算带噪三角形总数。其主要方法包括：

基于相似性的投影（Similarity-based Projection）
- 目标：降低全局敏感度（从O(n)降至O(d_max)）的同时尽可能保留更多真实三角形。
- 方法：利用“三角同质性”观察——构成三角形的三个节点度数通常相近。因此，在进行图剪枝（限制最大度数为d_max）时，优先删除度数差异大的邻居边，从而减少对三角形的破坏。
- 实现：每个用户先通过带噪方式私有估计全局最大度d_max（使用LDP），然后根据邻居节点与其自身的度数相似性排序，仅保留最相似的前d_max个邻居。
基于加法秘密共享的三角形计数（ASS-based Triangle Counting）
- 挑战：单个用户无法看到其他用户间的边（即“第三条边”），难以独立判断是否存在三角形。
- 解决方案：采用加法秘密共享（Additive Secret Sharing, ASS） 技术。每个用户的邻接位向量被拆分为两份秘密份额，分别发送给两个服务器。
- 关键创新：设计了一个支持三方乘积计算的安全协议（基于Beaver乘法三元组思想），使得只有当三条边都存在时（a_ij × a_ik × a_jk = 1），才会计入一个三角形。整个过程在秘密共享域内完成，任一服务器都无法得知原始图结构。
分布式扰动算法（Distributed Perturbation）
- 动机：传统加密辅助DP方法（如Crypte）要求每台服务器独立添加拉普拉斯噪声，导致总噪声翻倍。
- 改进：利用拉普拉斯分布的无限可分性，将一个Lap(Δ/ε)噪声分解为n个独立同分布的子噪声（来自伽马分布）。每个用户生成自己的子噪声片段，并通过秘密共享分发给两台服务器。
- 效果：最终聚合后的总噪声满足中央差分隐私要求（即e-Edge DDP），但每台服务器仅持有不足以暴露隐私的部分噪声，提升了整体效用。

主要结果

理论性能对比（见Table II）：
- 效用（l²误差）：
  - CDP（CentralLap△）：O(d_max² / ε²)
  - CARGO：O(d_max² / ε²)，与CDP相当
  - LDP（Local2Rounds△）：O((e^(ε/2) * (d_max n + d_max²)) / ε²)，远高于前两者
- 时间复杂度： O(n³)，主要开销来自遍历所有三元组进行三角形检测。
实验验证（使用SNAP真实图数据集：Facebook, Wiki, HepPh, Enron）：
- Q1（效用-隐私权衡）：
  - CARGO的l²误差比LDP基线（Local2Rounds△）低至少3个数量级以上（例如在Facebook上从10⁸级降至10⁵级）。
  - CARGO的相对误差仅为LDP的千分之一到万分之一。
  - CARGO的精度接近CDP方法，误差约为其1–2倍，显著优于LDP。
- Q2（投影方法比较）：
  - 提出的“相似性投影”比随机删除边的方法（GraphProjection）保留了更多的三角形，尤其在低投影阈值下优势更明显（最多提升8倍以上）。
- Q3（运行时间）：
  - CARGO运行时间高于CDP和LDP方法（如在Facebook上耗时约485秒 vs CDP的0.1秒），主要瓶颈在于安全三角形计数模块（Count），占总时间90%以上，因其需处理O(n³)次操作。

主要贡献与创新点

首个面向图数据的加密辅助差分隐私框架： 首次将加密辅助DP范式成功应用于图结构分析任务（三角形计数），填补了该领域的空白。
高效且实用的混合隐私架构： 在无需可信服务器的前提下，实现了接近CDP的高精度，打破了LDP固有的效用瓶颈。
新颖的本地图投影策略： 提出基于节点度数相似性的剪枝方法，显著减少了投影过程中对三角形的破坏，提高了效用。
安全的三方乘积协议： 设计了适用于加法秘密共享环境下的三值乘法协议，解决了三角形判定中多方联合计算的难题。
优化的分布式噪声注入机制： 利用拉普拉斯分布的可分性实现最小化噪声添加，避免重复加噪带来的额外误差。

潜在局限性或未来工作

计算开销较高： 时间复杂度为O(n³)，对于大规模图（如百万节点级别）实际部署仍具挑战。未来可探索采样、近似算法或硬件加速来优化效率。
依赖两个非共谋服务器假设： 虽然常见于密码学系统，但在现实中若两方串通则可能导致隐私泄露。未来可考虑多服务器设置或引入零知识证明增强安全性。
当前仅支持边差分隐私（Edge DP）： 对节点差分隐私（Node DP）的支持较弱，因为其敏感度更高（O(n)），会导致更大噪声。文中指出这是未来重要方向。
未考虑动态图场景： 当前方法针对静态图设计，如何扩展至流式或增量更新的动态图值得研究。
参数选择影响性能： 如最大度估计的准确性会影响后续步骤，尽管实验显示其误差较小，但仍是一个潜在不确定性来源。

综上所述，CARGO是一项重要的跨领域融合工作，成功地将密码学与差分隐私结合，为在去信任环境中高效、安全地分析图结构性质提供了新范式。

论文标题：Computing Shapley Values in Preference Queries

论文信息

论文作者：
Jiayao Zhang, Chirong Zhang, Jian Pei, Xuan Luo, Jianliang Xu, Jinfei Liu
（*为共同第一作者；单位包括浙江大学、西蒙弗雷泽大学、约克大学、香港浸会大学）
论文核心摘要：
本文研究了一个新颖的问题：在多个数据所有者协作回答偏好查询时，如何计算其Shapley值以公平衡量各自的贡献。尽管偏好查询和Shapley值计算已有广泛研究，但尚未系统探索数据所有者对联合回答此类查询的贡献评估机制。作者提出，在线性偏好效用函数且每个数据所有者仅提供一个数据点的情况下，Shapley值可在多项式时间内精确计算。对于每个所有者拥有多个数据点的情形，他们发现只有局部最优的数据点（即凸skyline点）能产生非零边际贡献。因此，通过将属性权重空间划分为多项式数量的子区域，使得每个区域内每方只需考虑一个代表性点，从而简化问题。实验基于真实Airbnb数据集和合成数据验证了算法的有效性和高效性，显著优于基线方法。
研究背景与目的：
在AI与数据科学时代，许多服务依赖于多方数据协同。平台的成功高度依赖参与者（如房东、服务商）的参与度（网络效应）。然而，如何公平分配由服务费带来的收益给各数据贡献者，是激励持续参与的关键挑战。例如，在民宿平台上，用户根据价格、位置、评分等加权偏好查找最佳住宿，而平台需据此合理奖励不同房东。传统的Top-k或Skyline查询关注结果本身，却不解决“谁应得多少回报”的问题。本文旨在利用Shapley值这一公理化公平分配机制，量化每个数据提供者在满足多样化用户偏好的整体效用中的实际贡献，推动健康的数据经济生态建设。

论文关键方法概述

关键方法：
1. 问题建模：定义合作博弈$(D, U_W)$，其中$D$是数据所有者的集合，效用函数$U_W(S)$表示联盟$S$能在所有可能的属性权重向量$w \in W$下达到的最大偏好得分积分。
2. 单点情形下的精确算法：当每个所有者只有一个数据点时，证明可通过排序并利用组合数学直接在$O(n \log n + nd)$时间内计算出Shapley值。
3. 多点情形的优化策略：
  - 利用凸skyline(Convex Skyline)概念过滤掉不可能成为最优解的数据点。
  - 将属性权重空间$W$分割成若干子空间，在每个子空间中每个所有者仅有一个“局部最优”点起作用。
  - 在每个子空间内退化为单点情况处理，最后加总得到最终Shapley值。
4. 高维场景近似算法：针对维度灾难问题，提出无需显式划分空间的蒙特卡洛采样方法（WSSV），直接随机采样权重向量估计Shapley值。
实验设计：
- 对比方法：枚举法（ENUM）、排列抽样法（PERM）、所提三种算法（PARR, PSSV, WSSV）
- 评价指标：运行时间、相对误差（RD/RE）、标准差（STD）
- 参数设置：数据所有者数（5–50）、数据点总数（500–500k）、维度（2–10）
数据集：
- 合成数据集：生成独立(INDEP)、相关(CORR)、反相关(ANTI)分布，并结合均匀(UN)与轮转(RR)分配方式形成六种设定。
- 真实数据集：Airbnb Listings公开数据集，涵盖114个城市/国家，共108,819位房东，筛选出至少有100条评论的房源用于实验。

主要结果

效率优势显著：
- 在二维情况下，PARR可快速完成精确计算，远超ENUM（指数级复杂度）；
- 随着维度增加，PARR因超平面划分成本过高而受限，但PSSV和WSSV仍保持高效；
- WSSV在高维（如6维以上）和大规模数据下表现最佳，能在秒级完成其他方法无法完成的计算任务。
精度表现优异：
- 所提算法（尤其是PSSV与WSSV）相比PERM类方法具有极低的相对误差（平均低于1.5%，而PERM-5X高达~40%）；
- 在Airbnb案例中，WSSV相对于ENUM基准的平均相对差异仅为0.08%，远优于PERM-20X的16.72%。
可扩展性强：
- 所有算法在数据点数量增长时表现出良好稳定性；
- WSSV展现出最强的维度可扩展性，在d=10时仍可持续运行，而PARR和PSSV在d≥5后出现超时。
现实洞察力强：
- 成功揭示了纽约市与南爱琴海地区房东贡献分布模式的不同：前者呈右偏态（少数房东主导），后者更对称均衡；
- 发现Shapley值高的房东未必 listings最多，说明质量胜过数量；
- 与Leave-One-Out（LOO）方法对比显示，Shapley更能识别潜在竞争者的价值，避免“唯第一名论”。

主要贡献与创新点

首次形式化“偏好查询中的数据价值评估”问题：将Shapley值引入偏好查询领域，填补了协作环境下数据贡献度量的理论空白。
建立多项式时间可解性理论基础：证明在线性效用下，即使面对无限个权重配置，只要每方一点，即可高效求解Shapley值。
提出基于凸skyline的空间划分框架：有效降维多点情形至单点情形，兼具理论严谨性与工程可行性。
开发适用于高维场景的高效近似算法（WSSV）：解决了传统方法难以应对现实复杂高维偏好空间的问题。
开源实现并验证于真实世界应用：在Airbnb数据上的成功部署表明该方法具备实际落地能力。

潜在局限性或未来工作

局限性：
1. 当前方法主要适用于线性偏好函数，对非线性（如指数、神经网络）效用函数不适用；
2. 属性权重空间假设为单纯形子集，未考虑更复杂的偏好结构（如约束、交互项）；
3. 凸skyline虽能大幅剪枝，但在极端反相关数据中仍可能保留较多点，影响性能；
4. 空间划分方法（PARR/PSSV）在高维下存在“维度诅咒”，导致子空间爆炸。
未来工作方向：
1. 探索非线性效用函数下的Shapley值近似方法，例如结合梯度信息或代理模型；
2. 引入动态偏好演化模型，允许权重随时间或上下文变化；
3. 结合联邦学习或隐私保护技术，实现在不暴露原始数据的前提下进行价值评估；
4. 研究增量式Shapley值更新机制，适应数据流或频繁增删场景；
5. 将方法拓展至其他类型偏好查询，如top-k regret、reverse skyline等。

✅ 总结：本文开创性地将Shapley值应用于偏好查询的数据贡献评估，提出了从精确到近似的完整算法体系，在理论深度与实践效能之间取得了良好平衡，为构建公平、透明的数据共享经济提供了重要工具。

论文标题：Cross-silo Federated Learning with Record-level Personalized Differential Privacy

论文信息

论文作者：
Junxu Liu（中国人民大学）、Jian Lou（浙江大学）、Li Xiong（埃默里大学）、Jinfei Liu（浙江大学）、Xiaofeng Meng（中国人民大学）
论文核心摘要：
本文提出了一种新的跨机构联邦学习（cross-silo FL）框架——rPDP-FL，支持记录级个性化差分隐私（record-level Personalized Differential Privacy, rPDP）。该框架通过一种两阶段混合采样机制（客户端均匀采样 + 记录非均匀采样），满足不同数据记录对隐私保护强度的个性化需求。为解决如何根据个性化隐私预算$\epsilon$精确计算每条记录的采样概率$q$这一难题，作者提出了 Simulation-CurveFitting (SCF) 方法，利用仿真与曲线拟合揭示了$q$与累积隐私成本之间的指数关系，从而实现高效参数估计。实验证明，该方法在模型效用和计算效率上均优于现有基线。
研究背景与目的：
联邦学习（FL）虽避免直接共享原始数据，但仍可能遭受推理攻击导致隐私泄露。为此，差分隐私（DP）被引入以量化并控制隐私风险。然而，传统DP为所有参与者设定统一的隐私预算，无法反映个体间真实的隐私偏好差异（如某些患者希望更强保护）。已有工作仅实现了客户端级别的个性化DP（即一个机构内所有记录共享同一预算），而未触及更细粒度的记录级别个性化。

本研究旨在填补这一空白，探索在跨机构FL场景下，如何为每个数据记录独立配置隐私预算，并在整个训练过程中动态调整其参与概率，以实现精准的个性化隐私保护，同时最大化模型性能。

论文关键方法概述

核心方法：rPDP-FL 框架
- 提出 rPDP-FL（record-level PDP for Federated Learning）框架，首次实现跨机构FL中的记录级个性化DP。
- 设计两阶段混合采样机制：
  1. 客户端级采样（Client-level Sampling）：服务器以固定概率$\lambda$随机选择参与本轮通信的客户端（泊松采样，均匀）。
  2. 记录级采样（Record-level Sampling）：每个选中的客户端对其本地数据集进行非均匀泊松采样，每条记录的采样概率$q_{i,j}$由其个性化隐私预算$\epsilon_{i,j}$决定。
关键技术：Simulation-CurveFitting (SCF)
- 目标：给定目标隐私预算$\epsilon$，求解最优采样概率$q$。
- 步骤：
  1. 仿真阶段（Simulation）：遍历一系列候选采样概率$q$，基于RDP理论逐轮计算其对应的累积隐私损失（DP budget curve），取最小值作为该$q$下的实际隐私成本$\epsilon^*$。
  2. 拟合阶段（Curve Fitting）：将生成的数据点$(q, \epsilon^)$拟合成一个简洁的数学函数（发现为指数形式：$\epsilon^ \approx ae^{bq + c}$）。
  3. 反向推导：利用拟合函数的逆函数$F(\epsilon)$快速估算任意隐私预算对应的采样概率，无需重复昂贵的数值搜索。
实验设计与数据集
- 评估任务：图像分类（MNIST, CIFAR-10）、文本推理（SNLI）、医疗预测（Heart-Disease）。
- 数据划分：
  - IID / Non-IID 划分（MNIST/CIFAR-10/SNLI）
  - 实际医院分布（Heart-Disease，来自4家医院）
- 对比方法：
  - Filter（中心化PDP中的过滤法）
  - BinarySearch（中心化PDP中的二分查找法）
  - Minimum（全局最严预算统一保护）
  - Dropout（低于平均预算者剔除）
  - PrivacyFree（无DP保护，理想上限）

主要结果

SCF策略显著优于现有PDP方法（表2、3）
- 相比 Filter 方法，在 Heart-Disease 和 MNIST 上分别提升测试准确率约 4.7% 和 10.7%，且单步运行时间减少 2–3倍，因后者需逐样本梯度计算，丧失SGD优势。
- 相比 BinarySearch 方法，在大规模个性化场景（如Individual-1000）中，SCF耗时仅 14秒，远低于BinarySearch的近 600秒，且精度相当（相差<0.1%），体现极高效率。
rPDP-FL显著提升模型效用（图8）
- 在多种隐私偏好分布（ThreeLevels, BoundedMixGauss, BoundedPareto）下，rPDP-FL在所有数据集上均优于 Minimum 和 Dropout 基线。
- 例如，在 MNIST-IID 上，相比Minimum提升约 0.2–0.3 准确率；相比Dropout也有明显增益。
- 表明：允许高隐私容忍度记录更高频率参与，能有效提升整体模型性能；同时保留低预算记录仍有助于学习。
发现关键规律：指数关系（图5）
- 实验发现，最优DP预算$\epsilon^*$与采样概率$q$之间存在强相关性，可用简单指数函数建模，R² > 0.998，验证了SCF方法的科学性与有效性。

主要贡献与创新点

首次定义并解决了“记录级个性化DP”在跨机构FL中的挑战，拓展了PDP的研究边界。
提出 rPDP-FL 框架，结合双层随机采样机制，增强了隐私放大效应（privacy amplification），使理论隐私成本更低。
设计 Simulation-CurveFitting (SCF) 策略，克服了传统二分查找效率低的问题，提供了一个通用、高效的采样概率估计方案。
理论上证明了两阶段采样的隐私增强效果（Lemma 6），完善了RDP在FL中紧致隐私分析的理论基础。
开源代码与全面实验验证了方法的有效性与实用性。

潜在局限性或未来工作

局限性：
1. 当前方法假设隐私预算与数据标签无关（independent of data），但在实际中（如疾病状态），敏感群体往往要求更高隐私，此时现有方法未能充分提升其效用（附录A指出此问题）。
2. SCF依赖于预仿真的拟合模型，若超参数变化较大（如噪声尺度、训练轮数），需重新校准模型。
3. 未考虑用户级（user-level）隐私，即同一用户在多个设备或机构中有多个记录的情况。
未来工作方向（文中明确指出）：
1. 探索 用户级个性化DP（user-level PDP）在跨机构/跨设备FL中的实现。
2. 研究在 非独立同分布（non-IID）数据 场景下，结合数据依赖型隐私预算的有效学习机制。
3. 改进当前方法对少数群体（低预算+小样本）的支持能力，防止其被边缘化。

论文标题： DataPrice: An Interactive System for Pricing Datasets in Data Marketplaces

论文信息

论文作者：
Yiding Zhu, Hongwei Zhang, Jiayao Zhang, Jinfei Liu*, Kui Ren
（单位主要为浙江大学及杭州高新区（滨江）区块链与数据安全研究院）
论文核心摘要：
随着数据驱动应用的兴起，数据市场蓬勃发展，但如何为数据集合理定价仍是一个重大挑战。本文提出 DataPrice，一个基于真实商业数据市场价格数据训练而成的交互式系统，用于辅助数据买卖双方对数据集进行估值。该系统通过提取用户输入的数据描述中的元数据（如类别、句子嵌入），结合数据规模、更新频率和地理覆盖等属性，利用随机森林模型预测三种常见定价模式（订阅制、一次性买断、按量计费）的价格，并生成推荐分数。更重要的是，系统采用 Shapley 值解释各元数据特征对价格的影响，以自然语言形式提供可理解的定价依据，增强用户信任。
研究背景与目的：
数据被视为“新石油”，但在实际交易中其无形性、易复制性和非竞争性使得传统商品定价机制失效。现有研究多集中于理论层面（如防套利、数据质量评估），缺乏在真实市场环境下的实证模型。此外，Azcoitia 等人虽对欧美数据市场进行了调研，但未构建可用的价格预测工具。本研究旨在填补这一空白，开发一个可交互、透明且实用的数据集定价系统，帮助卖家制定合理价格、买家判断价格合理性，并为提升数据价值提供指导。

论文关键方法概述

关键方法：
- 元数据提取：使用 mBERT 模型对用户输入的自然语言描述进行处理，提取两类关键信息：
  - 句子嵌入（Sentence Embedding）：将整个描述编码为高维向量，保留语义信息。
  - 数据分类（Categorization）：通过在 mBERT 上附加线性分类层，识别数据所属领域（如金融、环境、零售等）。
- 价格预测模型：采用 随机森林回归模型，输入包括：
  - 元数据（类别、标签、句子嵌入）
  - 用户补充信息（数据量、更新频率、地理覆盖范围）
  - 可选上传的数据样本（用于自动生成数据字典）
- 定价模式推荐：基于 K近邻算法（KNN），统计训练集中最相似 K 个数据点所采用的定价方式分布，计算每种模式的推荐得分（Score = 同类模式出现次数 / K）。
- 定价解释机制：引入 Shapley 值量化每个特征对最终价格预测的贡献度，并通过预定义模板转化为自然语言解释，说明哪些因素拉高或压低了价格。
实验设计：
- 系统流程分为三步：
  1. 描述处理（Description Processing）
  2. 定价计划生成（Pricing Plan Generation）
  3. 定价解释（Pricing Explanation）
- 用户可通过图形界面完成从描述输入到结果输出的全过程。
数据集：
- 使用从真实商业数据市场（如 AWS Data Exchange、Datarade）收集的实际交易和定价数据进行模型训练。
- 数据涵盖多个行业、不同规模和定价策略的数据产品。

主要结果

系统成功实现了对三种主流定价模式的价格区间预测：
- 订阅制：输出年费或月费范围（如 $8,000–$12,000/Year）
- 一次性支付：给出总价区间（如 $4,000–$6,000）
- 按量付费：显示每次请求费用（如 $0.30–$0.35/request）
提供了直观的推荐分数（Recommendation Score），例如某案例中订阅制得分为 0.64，远高于其他两种模式（0.22 和 0.14），表明该类型数据更常采用订阅方式销售。
实现了基于 Shapley 值的文本化解释功能，例如：

“由于该数据属于‘金融’类且实时更新，因此更适合订阅模式，价格较高。”
“因不属于高频交易类数据，故按量计费方案得分较低。”
图形界面支持用户交互操作，包括：
- 输入自然语言描述并自动生成元数据
- 手动调整分类与标签
- 上传数据样例
- 在世界地图上标注数据地理覆盖范围
- 导出完整的定价报告

主要贡献与创新点

首个基于真实市场数据的交互式数据定价系统：不同于纯理论模型，DataPrice 构建于实际交易平台的数据之上，具备现实适用性。
融合深度学习与传统机器学习的方法框架：
- 利用 mBERT 提取非结构化文本中的深层语义信息
- 使用随机森林实现高效稳定的价格预测
透明化的定价解释机制：通过 Shapley 值将黑箱模型决策过程可视化，并转换为人类可读的文字说明，显著提升了系统的可信度与用户体验。
全面支持多种定价模式与用户交互设计：不仅支持主流定价方式，还允许用户灵活修改元数据、查看推荐理由、导出结果，适用于卖方定价、买方比价、市场调研等多种场景。

潜在局限性或未来工作

当前局限性：
- 模型训练数据主要来自公开商业平台，可能未完全覆盖所有地区（如发展中国家）或特定行业的私有数据市场。
- 元数据依赖用户输入，若描述模糊或信息缺失，可能导致预测偏差。
- 当前解释模块依赖模板生成文本，表达较为机械，缺乏灵活性和上下文适应能力。
未来改进方向（文中明确指出）：
1. 扩大训练数据规模：纳入更多样化的数据市场来源，提高模型泛化能力和定价准确性。
2. 引入大语言模型（LLM）优化解释模块：使用 LLM 生成更自然、流畅、个性化的定价解释文本，提升可读性和交互体验。
3. 探索动态定价机制：考虑市场需求波动、数据时效性衰减等因素，实现随时间变化的动态估价。
4. 集成隐私保护机制：在未来版本中结合差分隐私等技术，在不泄露敏感信息的前提下进行价值评估。

论文标题： DataSIR: A Benchmark Dataset for Sensitive Information Recognition

论文信息

论文作者：
Fan Mo¹²³, Bo Liu²*, Yuan Fan¹², Kun Qin², Yizhou Zhao², Jinhe Zhou², Jia Sun², Jinfei Liu¹³⁴, Kui Ren¹³
（机构标注：1 浙江大学；2 DBAPPSecurity 公司；3 区块链与数据安全国家重点实验室（浙大）；4 杭州滨江区块链与数据安全研究院）
论文核心摘要：
随着人工智能技术的发展，训练数据需求激增，导致数据泄露风险加剧。尽管数据泄露事件频发且成本高昂，现有的敏感信息识别（SIR）模型仍难以应对不断演进的规避技术。当前的数据集缺乏对这些对抗性变换的全面覆盖，限制了鲁棒SIR系统的评估能力。为此，本文提出 DataSIR ——一个专门用于评估经多种格式变换后敏感信息识别性能的基准数据集。该数据集基于多项国际法规构建了26类敏感数据类别，收集了131,890个原始样本，并通过实证分析现实中的规避策略，设计并应用了21种格式转换方法，最终生成1,647,501个样本以模拟对抗场景。研究团队使用4种传统NLP模型和4种大语言模型（LLMs）对该数据集进行了评测，其中针对LLMs设计了不同上下文提示强度的结构化提示词，用以评估先验知识对识别准确率的影响。实验表明，DataSIR能有效区分各类SIR算法的性能表现，具备丰富的类别与格式多样性，可作为未来SIR模型开发与评估的重要基准。
研究背景与目的：
- 背景：全球数字化进程中，数据流动频繁，但随之而来的数据泄露问题日益严重。据IBM《2024年数据泄露成本报告》，2023年单次数据泄露平均成本达488万美元，创历史新高。与此同时，LLMs如GPT、DeepSeek等广泛应用也带来了新的安全隐患，例如在响应过程中无意暴露敏感信息。
- 多国已出台相关法规保障数据安全，包括美国的HIPAA（医疗）、SOX（财务）、欧盟的GDPR、加州的CCPA以及中国的PIPL等。然而，现有数据泄漏防护（DLP）技术主要聚焦于原始数据保护，忽视了“非原始”泄露形式，即通过对敏感数据进行编码、加密、插入干扰字符等方式进行隐蔽传输。
- 当前SIR系统面临挑战：攻击者利用工具（包括LLMs）生成经过复杂格式变换的敏感数据，绕过传统检测机制。
- 目的：构建一个能够反映真实世界对抗行为的高质量基准数据集——DataSIR，用于系统评估SIR模型在面对多样化格式变换时的识别能力，推动更强大的敏感信息识别技术发展。

论文关键方法概述

关键方法：
1. 多法规融合的敏感类别定义：从HIPAA、SOX、GDPR、CCPA、PIPL五大法规中提取共现或重叠的敏感信息类型，整合为26个代表性敏感数据类别（如姓名、地址、身份证号、IMEI、URL等），确保跨区域合规适用性。
2. 多语言支持：所有类别均提供中文与英文示例，兼顾全球主流语言环境。
3. 21种真实世界格式变换：基于实际规避案例与对抗研究，实现20种自动化Python脚本生成 + 1种LLM生成的变换方式，涵盖编码、混淆、语义隐藏等多种手段。
  - 示例变换类型：
    - 编码类：二进制（A）、八进制（B）、十六进制（C）、ASCII/Unicode/UTF-8/Base64/URL/HTML实体编码
    - 混淆类：摩尔斯电码（J）、盲文（K）、嵌套编码（L）、火星文替换（P）、繁简转换（Q）
    - 插入类：特殊符号插入（S）、中文随机插入（T）、英文字母/数字插入（U）
    - 结构类：倒序（O）、藏头诗（M）、汉字拆解（N）、数值大写化（R）
4. 样本生成逻辑：每类约选取5个原始样本，对其应用适用的格式变换（每类约8–14种），最终形成超百万级样本量的大规模数据集。
实验设计：
- 实验采用五轮抽样测试，每轮随机选取每个类别下的5个原始样本及其所有变换版本进行识别任务。
- 评价指标：
  - LRAcc（Label Recognition Accuracy）：标签识别准确率，衡量是否正确识别出敏感信息类别。
  - DRAcc（Data Restoration Accuracy）：数据还原准确率，仅适用于LLMs，判断能否将变换后的文本还原为原始内容。
- 对比模型：
  - 传统NLP工具：HanLP、spaCy、NLTK、Presidio（均为工业级开源框架）
  - 大语言模型：DeepSeek-v3、Qwen3、Gemini-2.5-flash、GPT-4.1（均选用非推理模式以控制变量）
数据集构成：
- 原始样本数：131,890
- 总样本数（含变换）：1,647,501
- 类别数量：26
- 变换类型：21种
- 数据来源：公开资源采集，遵循各法规标准
- 开源地址：Kaggle 和 GitHub

主要结果

传统NLP模型表现极差：
- 所有四类NLP工具在原始数据上的平均LRAcc不足25%，在变换后数据上更是骤降至低于5%。
- Presidio 表现最佳（整体LRAcc 4.93%），因其集成规则引擎与模型，但仍无法处理大多数变换类型。
- 结论：当前主流NLP工具对格式变换极为脆弱，几乎不具备实战防御能力。
大语言模型显著优于传统方法：
- 在无任何提示信息的情况下，LLMs的LRAcc仅为4–7%；
- 提供敏感类别列表后，提升至约48–56%；
- 进一步提供变换类型说明与示例后，最高达到 65.04%（Gemini），远超NLP模型。
- 显示LLMs具备更强的上下文理解与模式推断能力，尤其在获得充分先验知识时表现优异。
不同变换类型的识别难度差异显著：
- 易识别：URL编码（86.02% LRAcc）、Unicode/UTF-8编码（>70%）——因保留语义结构清晰。
- 难识别：二进制/八进制（18% LRAcc）——虽可高精度还原（DRAcc >98%），但难以归类；十六进制（16% LRAcc）——易与MAC地址混淆，导致DRAcc为0%。
- 特殊结构：藏头诗（71.85% LRAcc）、汉字拆分（66.35%）——LLMs展现出一定语义重建能力。
不同敏感类别的识别效果悬殊：
- 高F1-score（>90%）：URL、IPv4/IPv6、Email、Date/Time、JDBC连接字符串——具有固定格式特征。
- 低F1-score（<40%）：护照、驾照、个人ID、交易金额——依赖深层语义理解，局部特征不足。
- 精度-召回失衡：
  - 宗教：高精度（99.07%）、低召回（30.72%）——保守预测，避免误报。
  - 手机号：低精度（27.47%）、高召回（80.31%）——过度匹配，存在大量误判。

主要贡献与创新点

✅ 首个面向格式变换敏感信息识别的综合性基准数据集：
DataSIR 是目前唯一系统性涵盖21种真实对抗性格式变换的大规模SIR评测集，填补了领域空白。
✅ 多法规、多语言、多国家适配的设计理念：
覆盖中美欧主流隐私法规（GDPR、HIPAA、PIPL等），支持中英文双语，并考虑各国特有数据格式（如手机号、邮编结构差异），增强泛化性和实用性。
✅ 高度仿真的对抗样本构造机制：
所有21种变换均源于真实攻击场景（如钓鱼邮件中的Unicode编码、恶意软件中的Base64封装），具备强现实意义。
✅ 系统性的模型对比实验与洞察挖掘：
不仅比较了传统NLP与LLMs的表现差距，还深入分析了提示工程对LLM性能的影响，揭示了“知识注入”对识别能力的关键作用。
✅ 完全开放共享：
数据集与代码全部开源发布于Kaggle和GitHub，附带详细文档与复现指令，极大促进后续研究。

潜在局限性或未来工作

当前局限性：
1. 类别覆盖有限：仅包含26个代表性类别，未涵盖更多边缘或新兴敏感信息类型（如生物特征、基因数据等）。
2. 缺乏上下文信息：样本为孤立片段，未嵌入具体语境（如“张三”是医生还是患者？）。这忽略了现实中敏感性判断的高度依赖上下文的本质。
3. 提示工程探索尚浅：仅测试三种提示层级，尚未系统研究最优提示结构、思维链（CoT）、少样本学习等高级策略的影响。
4. 未涉及动态攻击演化建模：当前变换为静态预设，未模拟攻击者持续迭代优化的对抗过程。
5. 计算资源限制误差分析：由于LLM调用成本高，未报告统计显著性检验或置信区间（NeurIPS checklist 中明确指出此为不足）。
未来工作方向：
1. 扩展数据集规模与维度：增加更多敏感类别、变换方式、语言种类（如阿拉伯语、俄语），提升数据集广度。
2. 引入上下文感知机制：构建带有句子级或段落级上下文的样本，发展“情境敏感信息识别”新范式。
3. 探索LLM Agent架构：结合检索增强（RAG）、自我反思、多智能体协作等机制，进一步释放LLMs在SIR任务中的潜力。
4. 构建闭环对抗训练平台：支持攻防双方交互演进，推动自适应SIR系统研发。
5. 加强伦理与安全管控：虽然作者声明已采取去关联化措施降低滥用风险，但仍需警惕该数据集可能被用于反向教学攻击者如何逃避检测。

📌 总结评述：
《DataSIR》是一项具有里程碑意义的工作。它不仅提供了迄今为止最贴近现实威胁场景的SIR基准数据集，更重要的是揭示了一个关键趋势：传统的基于规则与浅层模型的方法已无法胜任现代数据防泄漏任务，而融合大语言模型与精细化提示工程的新一代SIR系统正在成为突破口。该研究为数据安全领域的学术界与工业界提供了宝贵的公共资源与理论指引，有望推动下一代智能DLP系统的快速发展。

论文标题： Dealer: An End-to-End Model Marketplace with Differential Privacy

论文信息

论文作者：
- Jinfei Liu（浙江大学）
- Jian Lou（埃默里大学）
- Junxu Liu（中国人民大学）
- Li Xiong（埃默里大学）
- Jian Pei（西蒙弗雷泽大学）
- Jimeng Sun（伊利诺伊大学厄巴纳-香槟分校）
论文核心摘要：
本文提出了一种端到端的机器学习模型市场框架——Dealer，该框架结合了差分隐私机制，旨在连接数据拥有者与模型购买者。Dealer首次系统地建模了三方参与者（数据所有者、经纪人、模型买家）之间的经济关系。具体而言：
- 数据所有者的补偿函数基于其数据的Shapley值和对隐私保护的敏感程度；
- 模型买家的价格函数则考虑他们对模型覆盖范围（Shapley coverage）和噪声水平（由差分隐私参数决定）的敏感度；
- 经纪人通过两个优化问题实现收益最大化并保证市场的公平性和竞争性：一是带无套利约束的模型定价优化，二是给定预算下的最大Shapley覆盖率训练优化。
针对这两个NP难问题，文章设计了高效的动态规划与近似算法，并在真实棋类数据集和合成数据上验证了方法的有效性与效率。
研究背景与目的：
当前的数据市场多以原始数据或查询结果为交易对象，存在如下问题：
- 原始数据销售缺乏透明度，难以控制用途；
- 查询式定价无法支持复杂分析任务；
- 已有模型市场仅关注单方利益（如买方或卖方），忽视整体生态平衡。
此外，现有方案普遍缺少严格的隐私保障机制。因此，本文试图构建一个完整的、具备差分隐私保护能力的模型级数据市场，解决以下关键问题：
- 如何公平且个性化地补偿数据提供者？
- 如何合理设定模型价格以反映其实用价值和隐私成本？
- 经纪人如何制定最优策略，在满足市场需求的同时防止套利行为？

论文关键方法概述

核心方法：
- Shapley值用于数据贡献评估：衡量每个数据拥有者对其参与训练模型的边际贡献，作为收入分配的基础。
- 差分隐私（DP）量化隐私损失：使用$(\epsilon, \delta)$-DP机制训练模型，其中$\epsilon$控制隐私强度。
- 个性化补偿函数：$c_i(\epsilon) = b_i \cdot \epsilon^{p_i}$，其中$b_i$正比于Shapley值，$p_i$表示数据拥有者的隐私敏感度。
- 买家价格函数：综合考虑Shapley覆盖率（coverage rate）和噪声容忍度，形式为： $P(B_j, M_k) = V_j \cdot \frac{1}{1 + e^{-s_j(CR - \theta_j)}} \cdot \frac{1}{1 + e^{-\gamma_j(\epsilon - n_j)}}$ 其中$V_j$是预算，$\theta_j$为期望覆盖率，$n_j$为可接受的最大$\epsilon$。
- 无套利定价机制：要求价格函数满足单调性和次可加性，避免低价组合替代高价模型。
实验设计：
- 设计两阶段流程：先进行模型定价（Revenue Maximization），再进行模型训练（Shapley Coverage Maximization）。
- 使用支持向量机（SVM）作为基础模型，在真实“国际象棋”数据集（UCI Chess Dataset）及多个合成数据集上测试性能。
数据集：
- 真实数据集：UCI Chess Dataset，共3196条记录，每条含36个属性；
- 合成数据集：用于扩展性测试，模拟不同规模和分布的场景。

主要结果

模型定价有效性：
- 在均匀分布与高斯分布的调查价格点下，所提DPP+算法（基于完整价格空间的动态规划）相比基线方法平均提升至少3%的总收入；
- 实验显示，尽管放松了次可加性约束（改为单位价格递减），仍能获得接近最优解的效果；
- 图3(d)表明，DPP+在各种$\epsilon$设置下均优于其他方法，尤其在中低隐私预算时优势明显。
模型训练效果：
- 所提出的子集选择算法（PPDP、Greedy、GuessGreedy）显著优于随机选择（RAND）；
- PPDP算法（伪多项式动态规划）在有限制造预算下实现了最高的Shapley值总和，从而带来更高的模型准确率；
- 图6(c)表明，即使只选用约800个样本（远少于全量3000），模型精度也能超过使用全部数据训练的结果，说明Shapley值能有效识别高质量训练样本；
- 图6(d)证实了Shapley覆盖率与模型准确率呈正相关趋势。
效率表现：
- 定价算法运行时间随调查人数线性增长（见图4），而暴力枚举法因组合爆炸不可行；
- 子集选择方面，贪心算法最快，适合大规模应用；GuessGreedy虽具理论近似保证但计算开销大；
- PPDP在中小规模下可行，但在高维或大数据量时受限于内存和时间。

主要贡献与创新点

首个端到端的差分隐私模型市场框架：
- 同时建模数据所有者、经纪人、模型买家三类角色的行为逻辑与激励机制；
- 引入Shapley值+差分隐私参数联合建模，兼顾公平性与隐私保护。
双层优化架构设计：
- 提出“定价—训练”两步走策略：先确定最优售价以最大化收入，再利用所得预算最大化模型效用；
- 形式化定义了“无套利定价”与“最大Shapley覆盖率”两个核心优化目标。
高效算法设计：
- 对NP难的定价问题提出动态规划求解器（DPP/DPP+），构造“完整价格空间”降低搜索复杂度；
- 对子集选择问题提出三种近似算法（动态规划、贪心、猜测型贪心），并给出近似比保证。
实证验证机制合理性：
- 通过真实数据与仿真环境双重验证，证明所提机制既能提高市场收益，又能保持模型竞争力。

潜在局限性或未来工作

假设较强，现实适用性待验证：
- 假设所有参与者诚实可信，未考虑恶意攻击或虚假报价；
- 假设经纪人可访问原始数据，未采用联邦学习或本地差分隐私等更安全架构。
计算复杂度较高：
- 动态规划算法依赖于制造预算的离散化，当预算较大时内存消耗严重；
- Shapley值本身需蒙特卡洛估计，大规模数据下计算负担重。
扩展方向明确：
- 可引入博弈论机制设计，处理非合作情境下的策略性行为；
- 探索将框架迁移到深度学习模型或其他任务类型（如回归、生成模型）；
- 结合联邦学习与加密计算技术，实现去中心化、高隐私保护的分布式模型市场；
- 考虑多轮交互、动态更新模型版本的长期市场演化机制。
用户体验与机制解释性：
- 当前补偿与定价函数依赖较多参数（如$\theta_j, n_j, p_i$），实际部署中需要良好界面帮助用户设定偏好；
- 可进一步研究自动化参数推断方法，减少人工干预。

✅ 总结：本论文提出了一个具有开创性的模型即商品（Model-as-a-Service）市场范式——Dealer，不仅填补了现有研究在“端到端+隐私保护”方面的空白，也为未来数据要素流通提供了坚实的理论与实践基础。

论文标题： Demonstration of Dealer: An End-to-End Model Marketplace with Differential Privacy

论文信息

论文作者：
Qiongqiong Lin, Jiayao Zhang, Jinfei Liu, Kui Ren, Jian Lou, Junxu Liu, Li Xiong, Jian Pei, Jimeng Sun
（第一单位包括：Zhejiang University、Emory University、Renmin University of China、Simon Fraser University、UIUC）
论文核心摘要：
本文提出了 Dealer ——一个端到端的、支持差分隐私（Differential Privacy, DP）的机器学习模型交易市场平台。该系统连接三个主要参与方：数据所有者（Data Owners）、经纪商（Broker）和模型买家（Model Buyers）。数据所有者通过提供数据获得基于其数据价值和隐私敏感度的补偿；经纪商收集数据、训练并出售满足差分隐私要求的模型；模型买家则购买符合其预算与性能需求的目标模型。系统实现了公平补偿机制、防套利定价策略以及在制造成本约束下的最优模型训练，并通过图形化界面进行交互式演示。
研究背景与目的：
随着数据驱动型机器学习的发展，高质量训练数据成为稀缺资源。传统的“数据市场”往往直接交易原始数据，存在隐私泄露风险。而本文提出以“模型”为交易对象的新型市场范式——即不交易原始数据本身，而是由中介方利用多方数据训练出带隐私保护的模型后进行售卖。
动机在于解决以下关键问题：
- 如何激励数据所有者共享数据？→ 提出基于Shapley值 + 隐私敏感度的动态补偿函数。
- 如何合理定价模型以防止套利且最大化收益？→ 设计防套利定价机制。
- 如何保证模型质量同时控制训练开销？→ 引入最大Shapley覆盖率作为优化目标。
- 如何平衡模型效用与隐私保护？→ 借助差分隐私机制实现可量化的隐私保障。

论文关键方法概述

关键方法：
- 三方架构设计：明确划分数据所有者、经纪商、模型买家的角色及其交互逻辑。
- 基于Shapley值的数据估值机制：
  - 使用蒙特卡洛采样近似计算每个数据提供者的Shapley值，反映其对整体模型性能的边际贡献。
  - 补偿金额$c_i(\epsilon) = b_i \cdot \epsilon^{p}$，其中$b_i$正比于Shapley值，$p$是隐私敏感参数，$\epsilon$是DP噪声参数。
- 模型定价机制（Revenue Maximization, RM）：
  - 在满足防套利条件（$p(\epsilon_1 + \epsilon_2) \leq p(\epsilon_1) + p(\epsilon_2)$）的前提下，使用动态规划算法求解最优价格配置，最大化总收入。
- 模型训练优化（Shapley Coverage Maximization）：
  - 给定制造预算$MB$，选择一组数据子集$S \subseteq \{D_1,\dots,D_n\}$，使得总Shapley覆盖率达到最大： $\max_S \sum_{i:D_i \in S} SV_i \quad \text{s.t.} \quad \sum_{i:D_i \in S} c_i(\epsilon) \leq MB$
  - 该问题是NP-hard，采用贪心等近似算法求解。
- 买方价格函数建模：
  - 考虑买方对模型噪声（DP参数$\epsilon$）和数据覆盖范围（Shapley Coverage Rate, CR）的敏感程度。
  - 定义价格函数： $P(B_j, M) = V_j \cdot \frac{1}{1 + e^{-\delta_j (CR(M)-\theta_j)}} \cdot \frac{1}{1 + e^{-\gamma_j (\epsilon - n_j)}}$ 其中$V_j$为预算，$\theta_j, n_j$分别为目标覆盖率与可接受噪声水平。
实验设计与交互流程：
- 用户可通过前端GUI模拟三类角色行为：
  - 数据所有者上传数据、设定隐私偏好 → 获取实时补偿预估；
  - 经纪商设置制造预算、收集买家调研数据 → 得到推荐模型版本与售价；
  - 模型买家输入期望参数 → 接收个性化购买建议（“TRUE/FALSE”提示是否值得购买）。
- 后端模块分工清晰：
  - 补偿分配、模型定价、模型训练、模型推荐四大模块协同运作。
数据集与原型实现：
- 实验使用经典 Iris 数据集 构造小型仿真环境。
- 系统前后端分离：
  - 前端：JavaScript 实现可视化界面；
  - 后端：Python 实现核心算法逻辑。
- 开源代码已发布于 GitHub：https://github.com/ZJU-DIVER/Dealer

主要结果

功能验证成功：
- 成功构建了一个完整的端到端模型交易平台原型，涵盖从数据接入、模型训练、定价销售到用户购买的全流程。
- 图形界面展示了各参与方的核心决策过程，具备良好的可操作性和教学展示价值。
关键现象观察：
- 图3显示：不同数据组合下，靠近分类超平面的数据点（如SVM中的支持向量）具有更高的Shapley值，验证了其更高数据价值。
- 图4对比表明：当数据所有者的隐私敏感度提高时（如从0.1升至0.2），相同制造预算下所选数据集合发生变化，导致最终训练出的模型在DP参数（ε）、覆盖率和价格上均不同，说明隐私偏好显著影响市场结果。
- 系统能根据买方需求实时生成购买建议（绿色“TRUE”或红色“FALSE”），体现个性化服务能力。
机制有效性：
- 所提出的补偿机制实现了按贡献与隐私折损公平分配收益；
- 定价机制满足防套利性，避免低配高价模型被滥用；
- 模型训练方案在有限预算下实现了较高的Shapley覆盖率，提升市场竞争力。

主要贡献与创新点

首创“模型即商品”的端到端市场框架：
- 区别于传统数据市场，Dealer 不交易原始数据，而是交易由多方数据联合训练的、带有差分隐私保护的机器学习模型，从根本上降低隐私泄露风险。
融合博弈论与隐私保护的经济激励机制设计：
- 创新性地将 Shapley值 应用于数据贡献评估与收益分配，确保公平性；
- 将 差分隐私参数 ε 作为核心变量统一贯穿于补偿、定价、效用评估全过程，形成闭环量化体系。
兼顾多目标的市场优化机制：
- 对经纪商而言，同时优化收入最大化与模型竞争力（通过Shapley覆盖率）；
- 支持个性化建模：买卖双方均可表达自身偏好（如隐私容忍度、噪声敏感度），系统据此定制服务。
完整可交互的系统原型：
- 不仅提出理论框架，还实现了可视化、可操作的演示系统，便于公众理解复杂机制，推动相关技术普及与落地。

潜在局限性或未来工作

局限性：
- 当前实验规模较小，仅基于 Iris 这样的简单数据集，尚未在大规模真实场景中验证可行性。
- Shapley值计算依赖蒙特卡洛采样，在高维大数据场景下计算开销大，难以实时响应。
- 差分隐私机制可能严重削弱模型效用，尤其在小样本或高隐私要求（小ε）情况下，可能导致模型无法使用。
- 买方价格函数假设为已知且固定，未考虑策略性报价或博弈行为。
未来工作方向：
- 扩展至更复杂的模型类型（如深度神经网络）和更大规模数据集；
- 引入高效Shapley值近似算法（如基于梯度的方法）以提升计算效率；
- 探索联邦学习与Dealer结合的可能性，进一步增强数据本地性保护；
- 加入动态反馈机制，允许市场参与者根据历史交易调整策略；
- 研究如何抵御恶意参与者攻击（如虚假数据注入、虚假报价等）；
- 探讨法律合规性与商业模式可行性，推动实际部署。

✅ 总结：
《Demonstration of Dealer》是一篇兼具理论深度与工程实践价值的研究工作。它不仅提出了一个新颖的“模型交易市场”范式，而且通过严谨的数学建模与完整的系统实现，展示了如何在一个兼顾隐私、公平与经济效益的环境中促进数据要素流通。该系统对于推动AI时代的数据治理、隐私保护市场化机制建设具有重要启示意义。

论文标题： Differentially Private Histogram Publication for Dynamic Datasets: an Adaptive Sampling Approach

论文信息

论文作者：
- Haoran Li, Li Xiong（Emory University）
- Xiaoqian Jiang（University of California, San Diego）
- Jinfei Liu（Emory University）
论文核心摘要：
本文提出了一种自适应距离采样方法，用于在差分隐私保护下实时发布动态数据集的直方图。针对传统“一次性”发布机制在连续发布中因组合性导致误差累积过高的问题，作者提出了两种新方法：DSFT（固定阈值采样）和DSAT（自适应阈值采样）。通过仅在当前数据快照与上次发布的直方图差异显著时才进行更新，有效节省了隐私预算并降低了总体误差。实验表明，该方法在真实与合成数据上均优于基线及现有最先进方法。
研究背景与目的：
差分隐私已成为统计数据分析的标准隐私保障技术。然而，大多数现有工作聚焦于静态数据的一次性发布，难以应对现实场景中频繁更新的动态数据流（如医疗监测、交通流量监控等）。直接对每个时间点应用差分隐私会导致由于组合定理带来的高累积误差$O(N)$，尤其当数据序列无限长时更不可行。

本文旨在解决这一挑战——如何在保证用户级差分隐私的前提下，高效、低误差地持续发布动态数据集的直方图。其关键动机是：并非每次数据更新都显著，因此无需每次都发布新的私有化版本；应基于数据变化程度智能决定何时发布。

论文关键方法概述

核心思想：
采用距离驱动的采样策略，仅当当前数据与最近一次已发布数据之间的差异超过某一阈值时，才触发一次新的差分隐私直方图发布，从而减少发布次数，节约隐私预算。

关键技术方法：

DSFT（Distance-based Sampling with Fixed Threshold）：
- 使用预设的距离阈值$T$。
- 在每一步计算当前数据集与最新已发布数据集之间的$L_1$距离（添加拉普拉斯噪声以保护隐私）。
- 若带噪距离大于带噪阈值，则释放一个新的差分隐私直方图。
- 隐私预算分为两部分：决策阶段$\varepsilon_1$和采样阶段$\varepsilon_2$。
DSAT（Distance-based Sampling with Adaptive Threshold）：
- 改进版，引入PID反馈控制机制动态调整阈值$T$。
- 目标是在总共$N$个时间点内恰好发布$C$次（$C \ll N$），即目标采样率为$C/N$。
- 反馈误差定义为实际累计采样率与目标比率的偏差。
- 利用比例项（P）、积分项（I）、微分项（D）调节阈值：
  - 偏差大 → 调整阈值使后续更容易或更难触发发布。
- 实验中主要使用比例项（简化实现）。

实验设计与数据集：

评估指标： 回答随机范围计数查询的平均绝对误差与相对误差。
对比方法：
- 基线方法（Baseline）：每个时间点都发布。
- 固定周期采样（Fixed Sampling）。
- 现有最先进方法：Kellaris et al. 提出的 w-event 隐私框架下的 Budget Distribution (BD) 与 Budget Absorption (BA) 方法。
使用的静态直方图生成方法（作为黑箱模块）：
- LPA（Laplacian Perturbation Approach）
- PSD（Private Spatial Decomposition）
数据集：
1. 美国人口普查数据（US Census）： 含6个属性，模拟动态用户更新。
2. 北京出租车轨迹数据（Taxi Drive）： 将时空轨迹映射到网格直方图。
3. Oldenburg交通仿真数据： 使用Brinkhoff生成器创建移动对象轨迹。

主要结果

参数敏感性分析：
- 图2显示存在最优的预算分配比例$k = \varepsilon_1/\varepsilon$，理论计算值$k≈0.0532$与实验结果吻合良好。
- 图3表明 DSFT 对阈值$T$极其敏感：太小则频繁发布耗尽预算；太大则错过重要更新造成高更新误差。而 DSAT 几乎达到 DSFT 的最佳性能，且无需调参。
不同隐私预算下的表现（图4）：
- 所有方法随$\varepsilon$增加精度提升。
- DSAT 显著优于 Baseline 和 Fixed Sampling，尤其在低隐私预算下优势明显。
- 使用 PSD 替代 LPA 进一步提升了所有方法的表现，验证了框架的可扩展性。
更新速率影响（图5）：
- DSAT 在各种更新频率下保持稳定，且优于其他方法。
- 非私有版本比较显示 DSAT 的采样时机选择更优，说明 PID 控制能有效捕捉数据动态。
维度影响（图6）：
- 固定采样法在高维时误差下降（因单个bin变化小），但 DSAT 表现更稳健。
- 私有 DSAT 在高维略有上升趋势，归因于主导误差从更新误差转为扰动误差。
查询范围大小的影响（图7）：
- 绝对误差随查询范围增大而增加（涉及更多单元格）。
- 相对误差随查询范围增大而减小（大查询的真实答案更大）。
- DSAT 在各类查询上均优于固定采样法。
在 w-event 隐私下的表现（图8–9）：
- 随着窗口大小$w$增大，DSAT 相比 BD 和 BA 的优势愈发明显。
- 当$\varepsilon$较小时，BA 性能急剧下降（因其均匀分配预算导致每步噪声过大），而 DSAT 仍保持良好性能。

主要贡献与创新点

首次将自适应采样引入动态直方图发布：
提出基于数据变化距离的发布策略，避免无意义的小幅更新消耗隐私预算。
显式阈值判定机制：
不同于以往隐式的预算分配，本文通过显式距离比较判断是否发布，更具解释性和可控性。
创新性融合控制理论：
引入 PID 控制器动态调节距离阈值，实现无需先验知识即可自适应数据动态的能力。
灵活兼容性强：
框架独立于底层直方图生成算法（如 LPA、PSD），可无缝集成任意先进的静态差分隐私方法。
支持无限数据流：
扩展至 w-event 隐私模型，适用于长期甚至无限的数据流场景。
完整的理论分析：
提供严格的差分隐私证明、效用分析（$(\alpha, \delta)$-usefulness）以及参数优化指导（如最优$k$值选择）。

潜在局限性或未来工作

局限性：

依赖$L_1$距离度量： 当前方法主要基于$L_1$距离，可能不适用于某些特定结构的数据（如稀疏或高度相关数据），未来可探索其他距离度量（如KL散度、Earth Mover’s Distance）。
初始冷启动问题： 自适应方法需要一定“热身期”来积累反馈信号，在初期可能导致不稳定行为。
假设数据基数稳定： 实验设置中各时刻数据量恒定，未充分考虑插入/删除主导型更新的影响。
PID 参数仍需调优： 虽然相比固定阈值更具鲁棒性，但 PID 中的比例增益$θ_p$等参数仍需合理设定。

未来工作方向（文中提及）：

结合更新模式建模： 学习历史更新规律，进一步增强采样决策的准确性。
拓展至其他数据类型： 将该自适应采样框架应用于频繁模式挖掘、动态图数据发布等任务。
处理非平稳数据流： 研究在突变事件（如疫情爆发）下的快速响应机制。
多维空间中的局部敏感发布： 在地理空间数据中实现区域自适应更新。

✅ 总结评价：
本文是一篇具有较强系统思维与工程实用价值的研究。它不仅解决了动态数据发布中的关键瓶颈问题，还创造性地引入控制理论工具，展示了跨学科方法融合的强大潜力。其实验全面、论证严谨，提出的 DSAT 方法在多个维度上展现出显著优越性，代表了该领域的重要进展。

论文标题：Dynamic Shapley Value Computation

论文信息

论文作者：
Jiayao Zhang, Haocheng Xia, Qiheng Sun, Jinfei Liu+, Li Xiong¹, Jian Pei³, Kui Ren
（*浙江大学；+浙大杭州全球科技创新中心；¹埃默里大学；³西蒙弗雷泽大学）
论文核心摘要：
随着数据驱动研究的普及，如何公平地评估单个数据点的价值成为机器学习中的关键问题。Shapley值因其满足公平性四性质（平衡、对称、可加性和零元素）而被广泛用于数据估值。然而，精确计算Shapley值是#P难问题，且当数据动态增删时，传统方法需从头重算，效率极低。本文首次提出“动态Shapley值计算”问题，并针对数据点的添加与删除操作，设计了多种高效算法：
- 对于添加场景，提出了pivot-based算法以复用已有模型效用，减少约一半计算量；以及delta-based算法，通过差分边际贡献降低采样需求。
- 对于删除场景，提出了YN-NN算法，利用预存的三维数组结构高效推导新Shapley值；并给出对应的delta-based算法。
  此外，还提出了基于相似性的启发式算法。实验表明，所提方法在保证精度的同时显著提升了计算效率。
研究背景与目的：
在数据市场中，数据所有者向经纪人提供数据以换取报酬，报酬应根据其对模型性能的贡献公平分配。Shapley值是衡量这种贡献的理想工具，但其计算成本高昂（指数级）。现实中数据集常动态变化（如新增样本或旧样本退出），若每次更新都重新计算Shapley值，将导致巨大的重复计算开销。
研究目的：解决动态环境下Shapley值的高效更新问题，避免全量重算，提升数据估值系统的实时性与实用性。

论文关键方法概述

关键方法：
1. Pivot-based Algorithm (添加)：以新增数据点为“枢轴”，将排列分为两组——原数据点在其前/后。前者边际贡献不变，可直接复用；后者需重新计算。从而节省约50%的模型训练。
2. Delta-based Algorithm (添加与删除)：不直接估算新Shapley值，而是估算其相对于旧值的变化量（ΔSV），该变化量由“差分边际贡献”构成，其取值范围更小，因此收敛更快，所需采样数更少。
3. YN-NN Algorithm (删除)：预处理阶段构建两个三维数组YN和NN，分别存储包含/不包含某数据点的所有子集的效用总和。删除某点后，可直接通过查表和简单运算快速得出剩余点的新Shapley值，时间复杂度仅O(n)。
4. Heuristic Algorithms (KNN & KNN+)：基于观察——新增数据点对其邻近点的Shapley值影响更大。KNN法直接赋予新增点其邻居的平均Shapley值；KNN+法进一步学习“相似度”与“Shapley值变化量”的关系函数，用于更新原有数据点的值。
实验设计：
- 使用Iris和Adult数据集。
- 机器学习模型为SVM，效用函数为测试集准确率。
- 基线方法包括：标准Monte Carlo (MC)、Truncated MC (TMC)、Base（均值法）。
- 评价指标：MSE（均方误差，衡量准确性）、Time Cost（运行时间，衡量效率）、Memory Consumption（内存消耗）。
数据集：UCI的Iris和Adult数据集，实验中最多采样10000个数据点进行分析。

主要结果

添加单个数据点（图3, 表IV）：
- Pivot-d 和 Delta 算法的MSE远低于基线（MC），其中Delta最低（1.53e-7 vs MC的2.48e-6）。
- 运行时间上，Delta和Pivot-d显著快于MC和TMC。
删除单个数据点（图5, 表VIII）：
- YN-NN 算法达到零MSE，因为它能精确恢复基准值。
- Delta 算法MSE为1.51e-7，仅次于YN-NN。
- YN-NN运行时间极短（仅需扫描数组），Delta也快于MC。
多点增删与大规模数据（图4, 6, 表XI-XIV）：
- 在添加多个点时，随着点数增加，Pivot-based方法因累积误差而效果下降，而Delta仍保持优势。
- 在10000规模的Adult数据集上，KNN/KNN+ 因其极简性，时间成本最低（毫秒级），但精度牺牲最大；Delta 虽单次耗时高于MC，但因其收敛快，实际达到同等精度的总时间更优。

主要贡献与创新点

问题定义创新：首次正式提出“动态Shapley值计算”问题，填补了静态估值到动态场景的空白。
算法创新：
- 提出pivot-based算法，通过复用历史计算结果，实现近似50%的加速。
- 提出delta-based算法，通过估计“变化量”而非“绝对值”，利用更小的方差特性，用更少采样达到同等精度。
- 设计YN-NN算法，为删除场景提供了一种基于预处理数据结构的、具有多项式时间和空间复杂度的精确解法。
实用性创新：提出的算法不仅适用于数据估值，也可推广至任何具有特征效用函数的动态合作博弈场景。

潜在局限性或未来工作

局限性：
1. 假设依赖：启发式算法（KNN系列）依赖于“新增数据不影响原有数据Shapley值”或“影响与相似度相关”的经验假设，在分布偏移大的场景下可能失效。
2. 内存开销：YN-NN算法需要O(n³)的存储空间，在超大规模数据集上可能面临内存瓶颈（表IX显示n=100时已占15MB）。
3. 模型训练成本：所有方法仍依赖多次模型训练来获取效用值，对于训练成本极高的深度模型，整体耗时依然可观。
未来工作：
1. 探索当数据来自不同分布时，现有算法（特别是启发式方法）的表现及改进方案（文中已提及）。
2. 优化YN-NN的数据结构，降低其空间复杂度。
3. 将方法扩展到更复杂的动态模式，如数据标签更新、特征修改等。

论文标题：Eclipse_Generalizing_kNN_and_Skyline

论文信息

论文作者：
Jinfei Liu, Li Xiong, Qiuchen Zhang, Jian Pei†, Jun Luo‡
（Zhejiang University & Emory University；†Simon Fraser University；‡Lenovo Machine Intelligence Center）
论文核心摘要：
本文提出了一种名为 Eclipse 的新型查询操作符，用于统一并推广经典的 kNN（k近邻）和 Skyline 查询。Eclipse 允许用户指定属性权重比的范围（而非精确值或完全无偏好），从而在保持灵活性的同时控制返回结果的数量。研究表明，1NN 和 Skyline 都是 Eclipse 的特例。为高效处理 Eclipse 查询，作者提出了三种算法：一个时间复杂度为$O(n^2 2^{d-1})$的基线算法、一个通过转换到 Skyline 问题实现的$O(n \log^{d-1} n)$变换算法，以及一种利用对偶变换和索引结构（如四叉树和切割树）实现更优效率的索引算法。实验基于真实 NBA 数据集和合成数据集验证了 Eclipse 的有效性与算法的高效性。
研究背景与目的：
多维数据上的 kNN 和 Skyline 是两种重要的查询范式，但各有局限。kNN 依赖于预定义的属性权重向量，缺乏灵活性；而 Skyline 虽无需权重却可能返回过多结果（最坏情况下为整个数据集）。因此，如何在两者之间取得平衡——既允许一定程度的偏好表达，又能控制输出规模——成为一个关键挑战。本文旨在设计一个更具定制化能力的通用查询框架，以满足多样化的实际需求，例如会议组织者推荐酒店时希望价格比距离更重要，但具体重要程度因人而异。

论文关键方法概述：

关键方法：
提出 Eclipse 操作符，其核心思想是将传统支配关系从单一评分函数扩展到一组具有连续权重比范围的线性评分函数。若点$p$在所有给定权重比区间$[l_j, h_j]$内均优于$p’$，则称$p$Eclipse-支配$p’$。最终的 Eclipse 点集即为不被任何其他点 Eclipse-支配的数据点。
实验设计：
设计了多个对比实验来评估不同算法在各种参数设置下的性能表现，包括变化数据规模$n$、维度数$d$、属性权重比范围$r$，并在独立（INDE）、相关（CORR）、反相关（ANTI）三类合成数据及真实 NBA 运动员数据上进行测试。
数据集：
- 合成数据集：遵循经典文献生成方式，包含 INDE、CORR、ANTI 三种分布类型。
- 真实数据集：来自 stats.nba.com 的 2384 名 NBA 球员数据，含 PTS、REB、AST、STL、BLK 五个性能指标。

主要结果：

核心发现：
1. Eclipse 成功融合了 1NN 与 Skyline 的优点，在保证合理结果数量的前提下支持粗粒度偏好设定。
2. 实验显示，随着数据维度增加或权重范围扩大，Eclipse 返回的结果数量显著少于 Skyline（见表 VII 和 VIII），且受数据总量影响较小（见表 VI）。
3. 性能方面，索引算法（QUAD 和 CUTTING）远超非索引算法（BASE 和 TRAN），尤其在大数据量下优势明显（图 11）；其中 QUAD 在平均情况下最快，而 CUTTING 在最坏情况下更稳定（图 14 和 15）。
4. 用户调研表明，“类别型”偏好输入（如“非常重要”、“一般”等）最受欢迎，说明 Eclipse 支持的模糊偏好设定符合用户直觉。
数据或图表描述：
- 图 1–3 直观展示了 1NN、Skyline 和 Eclipse 在二维空间中的支配区域差异：1NN 使用平角（flat angle），Skyline 使用直角（right angle），Eclipse 使用钝角（obtuse angle）。
- 表 VI–VIII 显示：Eclipse 点数随维度增长较快，但始终远小于对应 Skyline 数量；当权重范围趋近于零时，Eclipse 接近 1NN；当范围覆盖全部正实数时，退化为 Skyline。
- 图 11–13 展示了各算法运行时间随$n$、$d$、$r$的变化趋势，证实了索引算法的优越性。
- 图 14–15 揭示了在极端分布下，CUTTING 的鲁棒性优于 QUAD。

主要贡献与创新点：

概念创新：首次提出 Eclipse 查询算子，形式化地统一了 1NN 与 Skyline，并证明二者为其特殊实例（$[l,l]$对应 1NN，$[0,+\infty)$对应 Skyline）。
算法创新：
- 提出高效的 变换算法（Transformation-based Algorithm），将 Eclipse 问题转化为 Skyline 问题求解，时间复杂度降至$O(n \log^{d-1} n)$。
- 设计基于 对偶变换（duality transform）的 索引算法，构建 Order Vector Index 和 Intersection Index 加速查询响应。
- 引入 Line Quadtree 与 Cutting Tree 两种索引策略，在平均情况与最坏情况间提供性能权衡。
实用性增强：支持多种用户友好的偏好输入方式（数值范围、权重区间、语义类别），并通过案例研究验证其可用性。

潜在局限性或未来工作：

局限性：
1. 当前方法主要针对线性评分函数，未涵盖非单调或非线性偏好模型。
2. 高维空间中构造 Cuttings 和 Arrangements 的计算开销较大，尽管采用概率方案缓解，但仍存在可扩展性瓶颈。
3. 所有算法假设静态数据集，未考虑动态更新场景下的维护成本。
4. 用户调研样本有限（共 68 人），结论普适性有待进一步验证。
未来工作方向：
1. 将 Eclipse 扩展至流式数据环境，支持实时增量计算。
2. 结合机器学习技术自动推断用户的偏好范围，减少手动配置负担。
3. 探索适用于高维稀疏数据的近似算法，提升可扩展性。
4. 研究多目标优化视角下的 Eclipse 与其他 Pareto 前沿变体的关系，建立更广泛的理论联系。

论文标题： Efficient Sampling Approaches to Shapley Value Approximation

论文信息

论文作者：
- Jiayao Zhang（浙江大学）
- Qiheng Sun（浙江大学）
- Jinfei Liu（浙江大学；杭州全球科技创新中心）
- Li Xiong（埃默里大学，美国）
- Jian Pei（杜克大学，美国）
- Kui Ren（浙江大学）
论文核心摘要：
本文提出了一种高效的沙普利值（Shapley Value）近似计算方法。由于精确计算沙普利值是#P-hard问题，现有方法多依赖蒙特卡洛采样来估计每个玩家的边际贡献，但效率低下。为解决该问题，作者首次引入“互补贡献”（complementary contribution）的概念，并将其作为分层采样的基础。此外，提出了两种样本分配策略——基于奈曼分配（Neyman allocation）和经验伯恩斯坦界（empirical Bernstein bound），以优化采样过程。实验证明，所提方法在真实与合成数据集上均显著优于基线方法。
研究背景与目的：
沙普利值是一种公平衡量个体在合作博弈中贡献的方法，在机器学习模型解释、特征选择、数据市场定价等领域有广泛应用。然而其精确计算需要评估所有可能联盟组合的效用函数，时间复杂度呈指数增长，因此不可行于大规模场景。当前主流近似方法通过随机采样估算边际贡献，但每次采样仅能更新一个参与者的估值，造成资源浪费。
本研究旨在设计更高效的采样策略，提升沙普利值近似的收敛速度与精度，尤其针对效用函数评估成本高昂的应用（如训练深度模型）。

论文关键方法概述

关键思想：将传统的“边际贡献采样”转变为“互补贡献采样”。
定义互补贡献为：$\text{CC}(S) = U(S) - U(N\setminus S)$，即子集与其补集之间的效用差。这种形式允许单次采样被用于更新所有成员的沙普利值估计，极大提高样本利用率。
新公式推导：
原始沙普利值定义为对所有包含某玩家的联盟的边际贡献取期望；本文证明沙普利值也可表示为互补贡献的加权平均：
$\text{SV}_i = \frac{1}{2^{n-1}} \sum_{S \subseteq N\setminus\{z_i\}} \left[U(S \cup \{z_i\}) - U(N \setminus (S \cup \{z_i\}))\right]$
这使得一次$\text{CC}(S)$可同时服务于多个玩家。
分层采样设计：
将所有互补贡献按联盟大小$j = |S|$分成$n$层（strata），每层对应固定规模的联盟集合。算法从各层中抽样并累计统计量。
样本分配优化方法：
1. 基于奈曼分配（CCN）：最小化估计方差的目标下，依据各层方差动态分配采样数量。采用两阶段策略：先初步采样估计方差，再按比例分配剩余样本。
2. 基于经验伯恩斯坦界（CCB）：在线方式监控各层估计误差，利用经验伯恩斯坦-Serfling不等式动态选择下一个最有“增益”的样本，优先减少最大误差。
实验设置：
- 数据集包括三个经典合作博弈（投票游戏、机场游戏、最小生成树游戏）和一个真实机器学习任务（乳腺癌数据集上的SVM分类准确率作为效用函数）。
- 对比算法包括：MC（标准蒙特卡洛）、MCN（最优分配的边际贡献分层采样）、MCH（基于霍夫丁界的采样）、以及本文提出的CC、CCN、CCB。

主要结果

有效性（Accuracy）：
- 图1与图2显示，在不同测试案例中，CC、CCN 和 CCB 的平均误差比和最大误差比远低于传统方法（MC/MCN/MCH）。
- 在少量样本情况下，CCB 表现最佳，因其能主动选择高信息量样本；随着样本增加，CCN 因接近理论最优分配而表现更好。
效率与可扩展性（Efficiency & Scalability）：
- 图3表明，为达到相同误差水平（≤10%），CC 和 CCN 所需时间远少于基线方法，且随玩家数增长仍保持稳定。
- 图4展示在更大规模（最多10,000个玩家）下的平均变异系数（CV），CC系列方法CV更低，说明收敛更快、更稳定。
- 图5进一步验证了在达到一定精度（CV≤0.25）时，CC与CCN的时间优势明显，尤其是在数据估值任务中。
参数敏感性分析：
- 图6探讨了CCN中初始采样数 minit 的影响。结果显示存在最优区间（约40–50），过小则方差估计不准，过大则第二阶段调整空间不足，导致性能下降。
与学习型方法比较：
- 与FastSHAP（基于神经网络的学习型方法）对比显示，尽管后者已充分训练，本文方法在足够采样后仍能达到更高精度。
- 此外，本文方法提供无偏估计，而FastSHAP无法保证偏差性质。

主要贡献与创新点

首次提出“互补贡献”概念用于沙普利值计算：
改变了传统仅依赖“边际贡献”的范式，使单次效用评估可用于所有相关玩家，实现样本重用最大化。
新型分层采样框架（CC）：
构建基于互补贡献的分层结构，大幅提升采样效率，理论上可将样本需求降低一个数量级。
两种高效样本分配机制：
- CCN：结合奈曼分配原则，实现方差最小化的静态最优分配。
- CCB：引入在线误差监控机制，使用经验伯恩斯坦界进行自适应采样，适合小样本高成本环境。
通用性与实用性强：
方法不依赖具体模型或效用函数形式，适用于任意合作博弈场景，具有良好的模型无关性（model-agnostic）。

潜在局限性或未来工作

计算开销问题：
CCB 虽然精度高，但因需频繁计算误差界和执行样本选择算法（Algorithm 4），带来额外计算负担，难以扩展到超大规模场景。
两阶段设计限制：
CCN 中第一阶段用于估计方差，若初始样本不足可能导致后续分配偏离最优，存在参数调优挑战。
未来方向建议（文中提及）：
1. 探索 近似版 CCB 方法，在采样效率与选择成本之间取得平衡。
2. 研究 动态联盟变化下的快速重估机制，例如当新玩家加入或退出时如何增量更新沙普利值。
3. 处理 不确定性效用函数 场景，即某些联盟的效用本身带有噪声或分布特性。

✅ 总结：本文通过重构沙普利值的数学表达，提出“互补贡献”这一全新视角，从根本上提升了采样效率，并辅以先进的样本分配策略，在理论与实验层面均实现了对现有方法的全面超越，尤其适用于数据估值、联邦学习等高计算成本场景。

论文标题：Efficient_Contour_Computation_of_Group-Based_Skyline

论文信息

论文作者：
Wenhui Yu, Jinfei Liu, Jian Pei, Li Xiong, Xu Chen, Zheng Qin
论文核心摘要：
本文研究了多维数据集中基于组的Pareto最优子集——即Group-based Skyline（G-skyline）的高效计算问题。传统的skyline查询仅返回单个非支配点，难以满足需要选择最优组合（如旅游机构合作多个酒店）的应用需求。为此，作者提出了一种完整的G-skyline定义，并设计了高效的算法来构建前$l$层skyline（Multiple Skyline Layers, MSL），在此基础上通过组合队列快速生成G-skyline。由于G-skyline可能规模庞大，进一步提出了代表性G-skyline（RG-skyline）概念，利用一种新颖的基于组的聚类（G-clustering）算法对G-skyline进行压缩表示，以捕捉其“轮廓”。实验表明，所提算法比现有方法快几个数量级。
研究背景与目的：
Skyline查询广泛应用于多准则决策分析中，用于筛选出Pareto最优的候选对象。然而，在许多实际场景（如组建最佳球员团队、联合多家供应商）中，用户需要的是一个大小为$l$的最优对象组合，而非单一对象。传统方法无法有效解决此问题。尽管已有工作尝试扩展skyline至组级别，但存在两大缺陷：一是不完整（不能覆盖所有可能的最优组合），二是效率低下。本文旨在填补这一空白，提出一个完整且高效的G-skyline计算框架，并解决其输出规模过大的问题。

论文关键方法概述：关键方法、实验设计、数据集等

关键方法：
1. 高效构建多层Skyline（MSL）：提出一种并发搜索框架（Concurrent MSL Algorithm），在每个维度上并行滑动超平面，同时利用子空间skyline性质减少比较次数，并能显式判断终止条件（当第$l$层的所有点都被标记后即可停止），显著提升了MSL的构建效率。
2. 快速计算G-skyline：将G-skyline分为主群组（Primary Groups）（完全由第一层skyline点构成）和次群组（Secondary Groups）（包含低层点）。使用组合队列（Combination Queue） 高效枚举所有主群组，并在此基础上发展了两种新算法：
  - F_PWise：基于点的遍历方式，结合边剪枝（edge pruning）优化有向skyline图（DSG）。
  - F_UWise：基于单位群组（unit group）的遍历方式，独立处理主/次群组。
3. 代表性G-skyline（RG-skyline）与G-clustering：为压缩庞大的G-skyline，定义RG-skyline为$k$个聚类中心。提出G-clustering算法，其核心包括：
  - 组间距离度量：通过匈牙利问题式的匹配（使用改进的Greedy+算法求解）计算两组之间的最小欧氏距离总和。
  - 聚类中心更新：将组视为向量拼接，利用向量差累积的方式更新质心，迭代收敛后选取最近的实际G-skyline组作为最终代表。
实验设计：
在合成数据集（INDE, CORR, ANTI）和真实NBA球员数据集上，系统评估了各模块的性能。对比基线包括：
- MSL：逐层迭代法（BL）、二分搜索法（BS）
- G-skyline：UWise+算法（BL）
- Representative skyline：k-SGQ算法
  主要指标为运行时间，并分析了不同参数（组大小$l$、数据量$n$、维度$d$、代表数$k$）下的可扩展性。
数据集：
1. 合成数据集：独立分布（INDE）、正相关（CORR）、负相关（ANTI），用于测试不同数据特性下的算法表现。
2. 真实数据集：NBA球员数据（5000条记录），包含得分（PTS）、篮板（REB）、助攻（AST）、抢断（STL）、盖帽（BLK）五个属性，用于验证方法在现实世界中的有效性。

主要结果：核心发现、数据或图表描述

MSL构建效率：如图9-11所示，所提并发MSL算法在大多数情况下显著优于BS和BL方法。尤其在$l$较大时优势明显，因为其能提前终止，避免了处理整个数据集的开销。但在高维（$d$大）时，因子空间skyline维护成本上升，优势减弱。
G-skyline计算速度：如图13-15所示，F_PWise和F_UWise均远快于基线UWise+。其中F_PWise在多数场景下表现最佳，得益于组合队列和边剪枝的有效性。随着$l$,$n$,$d$增加，G-skyline的输出规模呈指数增长，凸显了RG-skyline的必要性。
代表性skyline的有效性与效率：
- Greedy+算法：如图17所示，在小规模匹配（$l$较小）时，Greedy+在时间和精度之间取得了良好平衡，优于暴力法和匈牙利算法。
- G-clustering vs k-SGQ：如图18-21所示，虽然k-SGQ计算更快，但其返回的组高度相似（均为“全能型”均衡组合，见表4）。而G-clustering返回的RG-skyline（见表5）则多样化，涵盖了“高分型”、“防守型”、“均衡型”等多种模式，更好地体现了skyline提供多元权衡的本质，具有更高的实用性。

主要贡献与创新点

高效MSL构建算法：首次提出并发多维搜索框架，结合子空间skyline优化，实现了更高效的多层skyline计算，并给出了明确的早期终止条件。
快速G-skyline计算方法：创新性地引入组合队列结构，优先高效生成占主导地位的主群组；提出的F_PWise和F_UWise算法，通过新的剪枝策略和处理流程，大幅提升了G-skyline的计算速度。
代表性G-skyline与G-clustering框架：首次在组级别定义基于距离的代表性skyline（RG-skyline）。提出的G-clustering算法是核心创新，它解决了如何度量组间距离以及如何更新无序集合质心这两个关键难题，为大规模G-skyline提供了有效的压缩和可视化手段。
理论完备性：严格证明了G-skyline是top-$l$解决方案的完备候选集，这是其相对于其他不完整定义的根本优势。

潜在局限性或未来工作

高维性能下降：MSL算法在高维数据上效率优势减弱，因为子空间skyline的规模会急剧增大，导致维护和搜索成本过高。未来可探索更适合高维的索引或近似方法。
聚类中心的解释性：G-clustering得到的质心是向量平均值，不一定对应真实的G-skyline组（如例8所示），需额外步骤映射回真实组。这使得质心本身缺乏直接的语义解释。
参数敏感性：RG-skyline的质量依赖于聚类数$k$的选择，目前未提供自动确定最优$k$的方法。
动态与不确定数据：本文假设数据是静态且精确的。未来工作可扩展至处理动态流数据或带有不确定性的数据（如概率skyline）。
用户偏好集成：当前框架是无监督的，未来可结合用户偏好或交互反馈，生成更具针对性的代表性组。

论文标题：Equitable Data Valuation Meets the Right to be Forgotten in Model Markets

论文信息

论文作者：
Haocheng Xia, Jinfei Liu, Jian Lou, Zhan Qin, Kui Ren（浙江大学）；Yang Cao（北海道大学）；Li Xiong（埃默里大学）
论文核心摘要：
本文研究了在支持“被遗忘权”（Right to be Forgotten, RTBF）的模型市场中，如何实现公平的数据价值评估。随着机器学习对高质量训练数据的需求增加，模型市场应运而生，其中经纪人收集个人数据以构建高可用性的模型。为激励数据所有者共享其数据，需合理定价并保护隐私。Shapley值因其满足公平性四大属性（平衡性、对称性、零元素性和可加性），成为主流的数据估值方法。然而，在支持高效“机器遗忘”（machine unlearning）的分片结构下，传统Shapley值不再适用。为此，作者提出了一种新的S-Shapley值（Sharded structure-based Shapley value），该方法适应于分片训练架构，并保持了类似Shapley的公平性质。由于精确计算S-Shapley是#P完全问题，文中提出了两种基于采样的近似算法用于初始估值，并设计了两种增量更新算法来应对数据删除请求时的高效再估值。
研究背景与目的：
- 背景：现代数据驱动型应用广泛依赖机器学习模型，而这些模型的质量高度依赖于训练数据。因此，出现了“模型市场”，即由经纪人聚合多个数据提供方的数据，训练出模型后出售给买家。
- 动机：为了吸引数据所有者参与，必须公正地衡量每份数据的贡献（equitable data valuation），从而给予合理的报酬。同时，根据GDPR、CCPA等法规，“被遗忘权”要求用户可以随时要求删除其数据及其影响——这引出了“机器遗忘”的需求。
- 目标：现有Shapley值无法直接应用于分片式模型训练结构（sharded training structure）以支持高效的机器遗忘。本文旨在填补这一空白，设计一种既满足公平估值原则又能兼容分片结构的新估值机制。

论文关键方法概述

核心方法：
1. S-Shapley值定义：基于传统的Shapley值框架，结合分片结构（sharded structure）引入新的四条期望属性（P1–P4）：
  - P1. 分片平衡性（Sharded Balance）：每个数据块（shard）的价值等于其内部成员价值之和，且总价值分配完整。
  - P2. 分片对称性（Sharded Symmetry）：在同一数据块内具有相同贡献的数据拥有相同的估值。
  - P3. 分片零元素性（Sharded Zero Element）：若某数据在所属数据块中无贡献，则其价值为0。
  - P4. 可加性（Additivity）：任务叠加下的价值可线性相加。
2. 理论证明：证明了S-Shapley值唯一满足上述四个属性，且其计算问题是#P-complete，意味着难以精确求解。
实验设计与算法：
1. 初始S-Shapley值估计：
  - 蒙特卡洛采样法（Monte Carlo Sampling, MCS）：直接从符合分片约束的排列空间中抽样，估算边际贡献。
  - 效用重用采样法（Utility Sampling, US）：通过分层采样策略复用已计算的模型效用，减少重复训练开销。
  1. S-Shapley值更新算法（针对数据退出场景）：
  - Delta-based算法（单个数据退出）：不重新计算整个值，而是估计其他数据价值的变化量（ΔSSV），利用差分效用降低方差，提高效率。
  - Batched Delta-based算法（多个数据退出）：批量处理多条删除请求，一次性估计整体变化，避免逐次更新带来的误差累积。
数据集与模型：
- 使用四个真实世界数据集进行实验：Iris、Car Evaluation、Phoneme、Credit Card（均来自OpenML）。
- 模型采用逻辑回归和带RBF核的支持向量机（SVM）作为分类器。
- 将数据划分为若干互斥的数据块（通常为3或5个），模拟分片训练结构。
- 效用函数定义为最终聚合模型在验证集上的准确率。

主要结果

有效性方面（第7.2节）：
- 在逐步移除高估值数据后的性能下降曲线显示，使用S-Shapley值排序的数据移除导致更显著的精度下降，说明其更能识别关键数据。
- 特别是在Car Evaluation和Credit Card数据集上，S-Shapley优于标准Shapley值、LOO、随机赋值及Beta-Shapley变体。
- 随着数据分片数量增加，各方法的整体精度下降趋势减缓，但S-Shapley始终表现最优，表明其对分片结构有良好适配性。
- 移除边界点（support vectors）会导致模型性能大幅下降，而S-Shapley能有效识别这类重要样本；相反，移除异常值有时反而提升性能，S-Shapley也能反映这种正向调整。
效率方面（第7.3–7.4节）：
- 初始估值效率：
  - Utility Sampling (US) 和 Paired Utility Sampling (PUS) 显著快于基础Monte Carlo方法（MCS），达到相同误差阈值的时间缩短一个数量级以上。
  - PUS进一步通过配对采样减少方差，收敛更快。
- 更新效率：
  - 当单一数据退出时，Delta-based算法比重新计算快得多，且误差更低。
  - 多个数据同时退出时，Batched Delta算法显著优于逐次更新或其他重算方式，尤其在大规模数据集上优势明显。
  - 表4数据显示，当整个数据块退出时，Delta算法时间成本最低（如Credit Card数据集从数万秒降至数千秒）。

主要贡献与创新点

首次将公平数据估值与“被遗忘权”机制相结合：明确指出在支持机器遗忘的分片结构下，传统Shapley值会产生不公平分配问题，并系统化建模此挑战。
提出S-Shapley值及其公理体系：定义适用于分片结构的新型Shapley变体，具备更强的结构性公平保障（如分片内的局部平衡与对称性）。
高效的估值与动态更新算法：
- 提出两种近似算法（MCS、US）解决初始估值的高复杂度问题；
- 创新性地设计基于差分估计的Delta类算法，极大提升了数据退出后的再估值效率。
完整的端到端解决方案：不仅涵盖静态估值，还覆盖动态环境中的连续更新，契合实际模型市场的运行需求。
开源实现：代码与数据已在GitHub公开（https://github.com/ZJU-DIVER/ValuationMeetsRTBF），增强可复现性。

潜在局限性或未来工作

假设限制：
- 假设分片结构是预先给定的，未探讨如何优化分片策略本身（例如按数据质量、分布或敏感性划分）。
- 所有参与者被视为可信，broker可以直接访问原始数据，不适用于联邦学习等去中心化设置。
扩展方向（作者明确提及）：
- 未来工作建议：将S-Shapley推广至联邦遗忘（Federated Unlearning）场景，其中全局模型需在不集中数据的前提下响应个体删除请求。
- 探索更复杂的聚合机制（非简单投票）、异构数据块大小的影响、以及与其他隐私保护技术（如同态加密、差分隐私）的集成。
实际部署挑战：
- 实验仅限中小规模数据集，面对超大规模工业级数据时，即使采样方法也可能面临延迟问题。
- 模型再训练仍需一定资源，尽管避免全量重训，但在频繁删除请求下仍可能造成负担。

综上所述，本论文在理论严谨性与实践可行性之间取得了良好平衡，为构建合规、公平且高效的模型市场提供了重要的方法论基础。

论文标题： EulerFD: An Efficient Double-Cycle Approximation of Functional Dependencies

论文信息

论文作者：
Qiongqiong Lin, Yunfan Gu, Jingyan Sai, Jinfei Liu+, Kui Ren, Li Xiong†, Tianzhen Wang§, Yanbei Pang§, Sheng Wang§, Feifei Li§
（单位包括浙江大学、埃默里大学、阿里巴巴集团）
论文核心摘要：
函数依赖（Functional Dependencies, FDs）在数据库中的关系推理、数据清洗、查询优化和模式规范化等任务中具有广泛应用。然而，随着数据规模的爆炸式增长，传统的精确FD发现算法因计算复杂度高而难以高效运行。为此，本文提出了一种高效的近似函数依赖发现算法——EulerFD，该算法采用“从无效FD推导有效FD”的策略，并引入一种新颖的双循环结构与自适应采样机制，显著提升了大规模数据集上的发现效率和准确性。
研究背景与目的：
- 背景：FD是关系数据库中最基础的概念之一，广泛应用于数据管理服务（如阿里云DMS）中的敏感属性识别与数据脱敏。
- 挑战：现有精确FD发现算法的时间复杂度通常为$O(n^2 \cdot 2^m)$，其中$n$是元组数，$m$是属性数，在大数据场景下不可行。
- 动机：实际应用（如DMS实时响应需求）对效率要求极高，允许一定程度的近似以换取性能提升。
- 目标：设计一个既能保证较高准确率又能大幅提升运行效率的近似FD发现算法，适用于真实世界的大规模数据集。

论文关键方法概述

核心思想：
不直接验证所有候选FD是否成立（需遍历全部元组），而是通过检测违反FD的元组对来识别非FD（即无效FD），再将其反演为有效的FD。这种方法只需检查少量冲突元组即可否定一个FD，比全量验证更高效。
主要模块设计：
1. 预处理模块（Preprocessing）：
  将原始数据转换为数值标签形式，并构建划分（Partition） 和 剥离划分（Stripped Partition），仅保留包含多个元组的等价类，减少冗余比较。
2. 采样模块（Sampling）：
  提出一种结合多级反馈队列（MLFQ） 与滑动窗口的新型采样策略：
  - 利用滑动窗口在每个簇内按固定间隔选取元组对，避免重复采样；
  - 引入“容量”（capa）指标衡量各簇生成新非FD的能力；
  - 使用MLFQ动态调整采样优先级：高贡献簇优先采样，低贡献簇仍有机会被采样，实现效率与覆盖率的平衡。
3. 负覆盖构建模块（Negative Cover Construction）：
  将采样得到的非FD存储于基于扩展二叉树的负覆盖（Ncover） 结构中，利用泛化/特化规则去除冗余项。同时监控Ncover增长速率（GR_Ncover），作为第一层循环的停止判断依据。
4. 反演模块（Inversion）：
  基于Ncover反演出正覆盖Pcover（即最终FD集合）。通过删除能泛化任意非FD的候选FD，并生成其最小化扩展，逐步构建非平凡且极小的FD集合。同时监控Pcover增长速率（GR_Pcover），构成第二层循环控制。
双循环结构（Double-Cycle Structure）：
- 第一循环：若 GR_Ncover > 阈值 Th_Ncover，则返回继续采样；
- 第二循环：若 GR_Pcover > 阈值 Th_Pcover，则也返回重新采样；
- 双重反馈机制确保在精度和效率之间取得良好权衡。
实验设置与数据集：
- 实验对比了 Tane、Fdep、HyFD、AID-FD 等主流算法；
- 使用了19个真实与合成数据集（如 adult, lineitem, weather）；
- 在阿里云DMS平台上部署测试，处理超过50万真实业务数据集；
- 性能指标包括运行时间、F1分数、行/列可扩展性分析。

主要结果

效率表现：
- EulerFD 在19个数据集中有14个实现了最快运行速度（占比74%），尤其在大规模数据集（如 lineitem, fd-reduced-30, uniprot）上优势明显；
- 相较于AID-FD，EulerFD平均快2倍以上，在某些数据集上甚至快6倍；
- 在阿里云DMS的实际部署中，平均每条数据集处理耗时仅 33.955毫秒，总耗时约18分钟完成50万+数据集处理。
准确性表现（F1 Score）：
- EulerFD 在12个数据集上达到 F1=1.000，其余均高于0.99；
- 相比AID-FD，EulerFD在所有可比较数据集上都取得了相同或更高的F1分数；
- 即使存在少量遗漏（主要因罕见非FD未被采样到），其整体准确率仍优于基线算法。
可扩展性分析：
- 行可扩展性：运行时间随元组数量近乎线性增长，远优于其他算法；
- 列可扩展性：在高维数据（如 plista, uniprot）上依然保持领先，得益于FD归纳法良好的属性扩展性；
- 参数敏感性实验表明，MLFQ设置6个队列时性能最优。
阈值影响分析：
- 设定 Th_Ncover = Th_Pcover = 0.01 时，能够在精度与效率间取得最佳平衡；
- 更小的阈值虽略微提高精度，但带来显著的时间开销，性价比不高。
工业级验证（DMS平台）：
- 表V显示，无论数据规模如何变化，EulerFD在各类分组下的效率（Te）和精度（Ta）均优于AID-FD；
- 随着行列数增加，采样误差略有上升，但仍维持在可接受范围。

主要贡献与创新点

提出 EulerFD 算法框架：
首次将“双循环结构”引入近似FD发现，结合采样、负覆盖构建与反演三个阶段的反馈机制，系统性地优化整个发现流程。
设计自适应采样策略：
融合操作系统中的多级反馈队列（MLFQ）思想与滑动窗口技术，根据历史采样效果动态调整采样重点区域，显著提高了采样效率与覆盖率。
高效的负覆盖组织方式：
采用改进的扩展二叉树结构存储非FD，支持快速特化/泛化查找，降低内存占用并加速后续反演过程。
实用性强，已在工业界落地：
算法已成功部署于阿里云DMS系统，每周处理超50万个真实数据集，验证了其在真实生产环境中的有效性与鲁棒性。

潜在局限性或未来工作

当前局限性：
1. 依赖经验阈值设定：Th_Ncover 和 Th_Pcover 当前为固定经验值（0.01），缺乏自动化调参机制；
2. 罕见FD可能漏检：由于依赖采样，极少数仅由特定元组触发的FD可能无法被捕获；
3. 不适用于噪声极高的数据：虽然有一定容错能力，但对于严重脏污或缺失数据的支持有限；
4. 仅针对经典FD定义：未扩展至条件FD、近似FD或其他复杂约束类型。
未来工作方向：
1. 动态阈值调节机制：根据数据分布自动学习最优停止阈值；
2. 增强稀有模式探测能力：引入主动学习或异常检测机制，提升对低频非FD的发现概率；
3. 支持更多FD变体：拓展至条件FD、嵌入式FD或图FD等更复杂的语义依赖；
4. 分布式与增量式版本：开发支持流式更新与分布式计算的EulerFD变体，进一步提升处理海量数据的能力；
5. 理论收敛性分析：提供关于采样策略与双循环收敛性的形式化证明。

✅ 总结：
本论文提出的 EulerFD 是一项兼具理论深度与工程价值的重要成果。它不仅在算法层面进行了多项创新，更重要的是解决了工业实践中“大规模FD发现难”的痛点问题，代表了从学术研究向产业落地的成功转化典范。

论文标题：Fast Algorithms for Pareto Optimal Group-based Skyline

论文信息

论文作者：
Wenhui Yu（清华大学）、Zheng Qin（清华大学）、Jinfei Liu（佐治亚理工学院）、Li Xiong（埃默里大学）、Xu Chen（清华大学）、Huidi Zhang（清华大学）
论文核心摘要：
本文研究了多维数据集中基于组的帕累托最优（Pareto optimal）查询问题，提出了一种高效的群组天际线（Group-based Skyline, G-skyline）计算方法。传统的天际线查询仅返回个体最优点，但在实际应用中往往需要寻找最优组合（如旅行机构选择多个合作酒店）。为解决这一问题，作者提出了“多层天际线结构”（Multiple Skyline Layers, MSL），并设计了两种快速算法（F_PWise 和 F_UWise）来构建 G-skyline。实验表明，所提算法比现有方法快几个数量级。
研究背景与目的：
天际线查询广泛应用于多准则决策场景（如选择性价比最高的酒店），其目标是找出不被其他任何点支配的帕累托最优解集合。然而，传统天际线只适用于单个对象的选择，在涉及群组选择（如同时选出 k 个最佳酒店）时存在不足。已有工作要么无法返回完整的候选集，要么计算代价过高。因此，本文旨在提出一种高效且完整的方法，用于计算包含所有 Pareto 最优群组的 G-skyline。

论文关键方法概述：关键方法、实验设计、数据集等

关键方法：
1. 多层天际线构造（MSL）：
  - 提出“并发搜索”机制：在每个维度上并行滑动超平面，减少冗余比较。
  - 利用“子空间天际线”性质优化搜索过程：只需与子空间中的天际线点进行比较，显著降低比较次数。
  - 引入提前终止条件：一旦第 k 层的所有点都被标记即可停止，避免遍历整个数据集。
2. G-skyline 构建算法：
  - 将 G-skyline 分为两类：主群组（Primary Groups，由第一层天际线点组成）和次群组（Secondary Groups，含非首层点）。
  - 使用“组合队列”（Combination Queue）高效枚举主群组。
  - 基于有向天际线图（DSG）实现剪枝策略，提升次群组发现效率。
  - 设计两种新算法：
    - F_PWise：结合组合队列与子树剪枝，逐层扩展生成群组。
    - F_UWise：利用单位群组（unit group）思想，独立生成主/次群组。
实验设计：
- 对比基线：包括经典迭代法（Baseline）、二分搜索法（BS）、以及原 G-skyline 工作中的 UWise+ 方法。
- 性能指标：运行时间、输出大小（G-skyline 组数）、可扩展性（随 n, d, k 变化）。
- 实验设置：在合成数据（INDE/ CORR / ANTI 类型）和真实 NBA 数据集上测试。
数据集：
1. 合成数据集：生成三种典型分布的数据以模拟不同应用场景：
  - INDE（独立分布）
  - CORR（正相关）
  - ANTI（负相关）
2. 真实数据集：NBA 球员统计数据（来自 stats.nba.com），包含 PTS、REB、AST、STL、BLK 五个属性，共约 5000 条记录。

主要结果：核心发现、数据或图表描述

MSL 构造性能优势明显：
- 图7显示，随着群组大小$k$增大，本文提出的 MSL 算法显著优于 BS 和 Baseline 方法，尤其在输出规模较大时提速可达数十倍。
- 图8表明算法具有良好的线性可扩展性，处理百万级点仍保持高效。
- 图9指出，随着维度$d$增加，算法效率略有下降（因子空间天际线更新开销上升），但仍优于对比方法；高维下建议使用简化框架（FW-only）。
G-skyline 计算效率大幅提升：
- 图10–12 显示，在各种参数变化下（$k$,$n$,$d$），F_PWise 和 F_UWise 运行时间远低于 UWise+（基线），尤其在大规模输出时优势更显著。
- 在某些情况下（如高维、大数据量），F_PWise 表现优于 F_UWise，因其通过边剪枝有效减少了无效枚举。
- 输出大小随$k$和$d$呈指数增长，验证了问题复杂度，也凸显了高效算法的重要性。
真实数据集验证有效性：
- 图13–14 在 NBA 数据上的实验进一步证实了方法的有效性和实用性。
- 特别地，当$k$较小时，由于主群组占比较高，跳过其输出使算法更具实用性。
- 随着维度增加，F_PWise 逐渐超越 F_UWise，说明其在稀疏支配关系下的优越性。

主要贡献与创新点

提出高效的多层天际线构造算法（MSL）：
- 并发搜索机制大幅减少搜索空间；
- 子空间天际线技术优化比较操作；
- 明确的提前终止条件提高实用性。
设计新颖的 G-skyline 快速构建方法：
- 首次将 G-skyline 分为主/次群组，提出“组合队列”结构优先处理主群组；
- 改进 DSG 结构并引入边剪枝策略，减少冗余计算；
- 提出 F_PWise 和 F_UWise 两种高效算法，适应不同场景需求。
理论分析与实证支持：
- 给出 MSL 算法的时间复杂度为$O(T_k(n^{1/k} + S_k \log k))$，优于已有方法；
- 在多种数据分布和真实数据上进行全面评估，证明算法的高效性、完整性与可扩展性。

潜在局限性或未来工作

局限性：
1. 高维性能受限：随着维度$d$增加，子空间天际线规模迅速膨胀，导致维护成本升高，影响整体效率。
2. 输出规模过大：尽管算法高效，但 G-skyline 本身可能非常庞大（尤其是$k$较大时），直接返回全部结果对下游应用不友好。
3. 内存消耗较高：需存储中间结构（如 DSG、组合队列、各层子空间天际线），在极端大规模数据下可能存在内存压力。
未来工作方向：
1. Top-k G-skyline 查询：不返回全部 G-skyline，而是根据用户偏好返回最相关的前$k$个群组。
2. 近似或抽样方法：针对超大规模输出，开发近似算法以平衡精度与效率。
3. 动态/流式环境扩展：将算法推广至动态数据或数据流场景，支持实时更新。
4. 集成到数据库系统：作为内置操作符嵌入主流数据库引擎，提供 SQL 接口支持。

论文标题：Faster Output-Sensitive Skyline Computation Algorithm

论文信息

论文作者：
Jinfei Liu*, Li Xiong, Xiaofeng Xu
（单位：Emory University, Department of Mathematics and Computer Science, GA, USA）
论文核心摘要：
本文提出了一种新的输出敏感型（output-sensitive）天际线（skyline）计算算法，其最坏情况下的时间复杂度优于目前已知唯一的输出敏感算法 [1]（Kirkpatrick & Seidel, 1985）。新算法不依赖于线性时间中位数查找算法，从而避免了高常数因子开销。该算法在二维空间中的时间复杂度为$O(n \log k)$，其中$n$是输入点数，$k$是输出的 skyline 点数量，在最坏情况下比已有方法更高效。
研究背景与目的：
- 研究问题： Skyline 查询在多准则决策中具有重要意义，用于找出“非支配”的最优对象集合。传统算法的时间复杂度通常为$O(n \log n)$，与输出大小无关。
- 动机： 当实际 skyline 大小$k \ll n$时，输出敏感算法能显著提升效率。然而，唯一已知的输出敏感算法 [1] 虽然理论复杂度为$O(n \log k)$，但因依赖线性时间中位数选择算法（如 Blum-Floyd-Pratt-Rivest-Tarjan 算法），导致比较次数超过$5.4305n\log k$，常数因子过大，影响实用性。
- 目标： 设计一个同样达到$O(n \log k)$时间复杂度但具有更小常数因子的输出敏感 skyline 算法，提高实际运行效率。

论文关键方法概述

关键方法

本论文提出了两个核心算法：

Algorithm 1: O(n log K) SKYLINE(P, K)
给定期望的 skyline 点数上限$K$，以$O(n \log K)$时间计算最多$K$个 skyline 点。
- 步骤1（划分）： 将$n$个点随机划分为$\lceil n/K \rceil$个子集，每个子集大小不超过$K$。
- 步骤2（局部 skyline 计算）： 对每个子集使用经典的$O(m \log m)$skyline 算法（如分治法）计算其局部 skyline。
- 步骤3–5（迭代选取与剪枝）：
  - 在每轮迭代中，从每个子集的当前 skyline 中选出第一维最小的候选点；
  - 从中选择全局第一维最小者作为新的 skyline 点$p_i$；
  - 使用二分查找删除所有被$p_i$支配的点（即第二维值 ≥$p_i[2]$的点）；
  - 重复此过程至多$K$次或无剩余点。
Algorithm 2: O(n log k) 2-D SKYLINE(P)
实际使用的完整算法，通过指数增长猜测$K$值（$K = 2^t$）直到找到全部$k$个 skyline 点。
- 利用输出敏感算法的经典范式：逐步增加参数$K$（设为$\min\{2^t, n\}$）并调用 Algorithm 1，当返回非空结果时停止。

实验设计与数据集

未提供具体实验或真实数据集测试。
分析主要基于理论推导与渐近时间复杂度比较，重点在于证明算法正确性和进行比较次数的上界分析，以展示其相对于 [1] 的优势。

数据结构与技术细节

每个子集的 skyline 点按第一维排序后，自动逆序排列于第二维（二维情况下成立），这使得可在$O(\log K)$时间内完成二分删除操作。
使用标准归并排序类算法实现子集 skyline 构建，保证$O(K \log K)$局部处理时间。

主要结果

时间复杂度结果：
- Theorem 1: Algorithm 1 的时间复杂度为$O(n \log K)$。
- Theorem 2: Algorithm 2 的总时间复杂度为$O(n \log k)$，是输出敏感意义下的最优。
比较次数分析（优于现有方法）：
- 本文算法总共需要约$2n\log k + 2n$次比较。
- 相比之下，Kirkpatrick 和 Seidel 的算法 [1] 需要超过$5.4305n\log k$次比较。
- 因此，尽管两者同属$O(n \log k)$，本文算法的常数因子显著更小，意味着在实践中更快。
示例验证：
- 文中图2给出了 Algorithm 1 在15个二维点上的执行流程示例（假设$k=5$已知），直观展示了划分、局部 skyline 构建、候选点选择、支配点消除的过程。

主要贡献与创新点

首个真正实用化的高效输出敏感 skyline 算法：
- 提出了第二个输出敏感 skyline 算法，且是第一个不依赖线性时间中位数选择的此类算法，消除了大常数因子瓶颈。
更低的比较次数上界：
- 显式分析得出比较次数仅为$2n\log k + 2n$，远低于 [1] 的$>5.4305n\log k$，理论上更具优势。
简洁而有效的算法框架：
- 采用“分块 + 局部 skyline + 迭代主导点选取 + 二分剪枝”策略，易于理解与实现。
- 成功结合经典输出敏感技巧（倍增参数搜索）与高效的二维几何性质利用。
推动理论边界：
- 表明即使不使用复杂的线性时间选择机制，也能实现最优输出敏感复杂度，拓宽了设计思路。

潜在局限性或未来工作

仅适用于二维空间：
- 当前算法明确针对二维设计，利用了“一维排序 ⇒ 另一维逆序”的特性。如何推广到高维（$d > 2$）尚不清晰，属于重要未来方向。
缺乏实证评估：
- 论文中没有给出任何实验结果、性能对比图或真实/合成数据集测试，结论完全基于理论分析。需后续工作验证实际加速效果。
对高维扩展的挑战：
- 高维下无法保持类似排序结构，局部 skyline 合并和剪枝将变得复杂，可能需引入近似或启发式策略。
外部内存支持有限：
- 尽管引用了外部内存版本的工作 [6]，但本文未讨论自身算法在外存模型下的适应性，未来可探索 I/O 效率优化。
动态场景未覆盖：
- 算法面向静态批处理模式，未考虑数据流或动态插入/删除情形下的 skyline 维护问题。

✅ 总结：
本文在理论层面成功改进了 skyline 计算的输出敏感算法，提出了一种无需线性时间中位数选择、具有更优常数因子的新方法，尤其适合二维场景且$k \ll n$的情况。虽然目前局限于二维且缺少实验支撑，但其思想简洁有力，为后续高效 skyline 算法的设计提供了新路径。

论文标题： Federated Graph Analytics with Differential Privacy

论文信息

论文作者：
Shang Liu, Yang Cao, Takao Murakami, Weiran Liu, Seng Pei Liew, Tsubasa Takahashi, Jinfei Liu, Masatoshi Yoshikawa
论文核心摘要：
本文首次提出“联邦图分析”（Federated Graph Analytics, FGA）这一新问题，旨在多个机构协作进行图数据分析的同时，保障个体隐私。现有差分隐私图分析方法在联邦场景下面临两大挑战：一是客户端仅拥有局部子图导致统计效用低下；二是不同子图间存在边重叠引发隐私泄露风险。为此，作者提出了两个框架：FEAT 和其优化版本 FEAT+。FEAT 基于一种新型的差分私有集合联合协议（DPSU），实现对全局图的安全聚合；而 FEAT+ 引入基于节点度数的划分策略，在利用真实局部子图的基础上进一步提升精度。实验表明，FEAT 和 FEAT+ 相比基线方法分别将误差降低了约一个数量级和四个数量级。
研究背景与目的：
随着 GDPR 等隐私法规的实施，集中式图数据分析变得愈发困难。现实应用中，如跨社交平台的社会网络分析、多银行间的金融交易追踪、多家医院联合传染病传播建模等，均涉及多个独立实体共享图数据的需求。然而这些实体之间互不信任，且各自持有的是全局图的一个带有重叠的子图。传统的中心化或本地化差分隐私方案无法有效应对这种“联邦”设置下的效用-隐私权衡问题。因此，本文旨在定义并解决联邦图分析中的隐私保护问题，推动多方协作下安全高效的图统计计算。

论文关键方法概述

关键方法：
- FEAT 框架：采用加密技术中的私有集合联合（Private Set Union, PSU）思想，结合差分隐私机制，设计了差分私有集合联合协议（DPSU）。该协议允许多个客户端协同计算边集的并集，同时确保每条边只被计数一次，并在整个过程中满足边分布差分隐私（Edge DDP）。
- FEAT+ 框架：在 FEAT 发布噪声全局图后，引入第二阶段交互。通过提出的基于度数的节点划分算法（degree-based node partition），将所有节点划分为互不相交的集合，分配给不同客户端负责查询。每个客户端结合自身真实子图与噪声全局图来计算局部答案，再添加拉普拉斯噪声上报，从而提高估计准确性。
实验设计：
- 使用两个真实世界图数据集：Facebook 社交图（4,039 节点，88,234 边）和 Wiki-Vote 投票图（7,115 节点，103,689 边）。
- 将完整图随机切分为 4 个局部子图，控制采样率$p$（子图大小比例）和重叠率$o$（共享边比例）模拟联邦环境。
- 查询任务包括常见的子图计数：k-星计数（k-star counting）和三角形计数（triangle counting）。
- 对比方法为经过调整以满足 Edge DDP 的随机响应基线（Baseline）。
- 评估指标为均方误差（MSE）和平均相对误差（MRE），结果取 10 次运行的平均值。
数据集：
- Facebook：来自 SNAP 数据集的社交网络图。
- Wiki-Vote：维基百科用户的投票关系图。

主要结果

效用-隐私权衡（Q1）：
- 在所有测试条件下，FEAT 显著优于 Baseline，MSE 和 MRE 至少降低一个数量级以上。
  - 例如，在 Facebook 图上进行 2-星计数时（ε=6），Baseline 的 MSE 为$1.45 \times 10^{11}$，而 FEAT 仅为$5.09 \times 10^5$。
  - 在三角形计数中（ε=4），Baseline 的 MRE 高达$8.27 \times 10^{-1}$，而 FEAT 仅为$9.53 \times 10^{-4}$。
- FEAT+ 进一步显著优于 FEAT，误差再降低至少一个数量级。
  - 如在 Wiki-Vote 上 2-星计数（ε=6），FEAT+ 的 MRE 为$3.86 \times 10^{-5}$，远低于 FEAT 的$2.98 \times 10^{-4}$。
参数影响（Q2）：
- 提高采样率$p$导致误差上升（因图规模增大），但 FEAT 和 FEAT+ 始终保持领先。
- 改变重叠率$o$对 Baseline 影响较小但略有恶化，而 FEAT 和 FEAT+ 几乎不受影响，验证了其对重叠信息的良好处理能力。
运行时间（Q3）：
- FEAT 的运行时间约为 Baseline 的 10 倍，主要开销来自椭圆曲线密码学（ECC）运算。
- FEAT+ 比 FEAT 多出约 50% 的时间，源于额外的通信与本地查询过程。
- 总体而言，性能代价换取了巨大的精度提升。

主要贡献与创新点

首次形式化“联邦图分析”（FGA）问题：明确定义了在多方持有带重叠子图情形下的协作图分析框架，并指出其与传统中心化、本地化及联邦学习场景的本质区别。
提出 Edge Distributed Differential Privacy（Edge DDP）模型：扩展了边隐私概念，适用于多客户端可能共同持有一条边的情形，更贴合实际联邦图场景。
设计 FEAT 框架及其核心组件 DPSU 协议：
- 创新性地将 PSU 与 DP 结合，解决了重复报告导致的隐私放大问题。
- 提出改进的 DPSU 方法，仅由第一个客户端扰动 0 位、所有客户端扰动 1 位，大幅缓解图稠密化偏差。
提出 FEAT+ 框架与 degree-based partition 算法：
- 利用真实局部子图增强查询精度，通过节点划分避免同一结构被多次上报。
- 实现了从“仅用噪声图”到“噪声+真实图融合”的范式升级。
系统实现与实证验证：
- 基于 Libsodium 库实现了高效的 ECC 加密支持。
- 在真实数据上全面验证了方法的有效性，展示了数量级级别的性能优势。

潜在局限性或未来工作

局限性：
1. 可扩展性限制：当前 DPSU 协议依赖多方联合解密，通信和计算复杂度随客户端数量增加而上升，难以直接扩展至大规模客户端场景（如数千家机构）。
2. 静态图假设：方法针对静态无向图设计，未考虑动态图或流式更新场景。
3. 特定查询类型：目前重点验证了 k-星和三角形计数，对于更复杂的图模式挖掘（如频繁子图发现）尚未覆盖。
4. 诚实但好奇模型：安全性基于半诚实敌手假设，未防御恶意篡改行为。
未来工作方向：
1. 探索基于 Shuffle 或其他去中心化架构的轻量级 DPSU 变体，提升横向扩展能力。
2. 扩展至属性图（attributed graphs）和异构图（heterogeneous graphs）上的联邦分析。
3. 研究动态图更新下的持续隐私保护机制。
4. 设计适用于更广泛图查询语言（如 GQL 子集）的通用联邦执行引擎。
5. 探索与其他隐私技术（如同态加密、可信执行环境）的混合方案以平衡效率与安全性。

论文标题：Finding Pareto Optimal Groups Group-based Skyline

论文信息

论文作者：
Jinfei Liu, Li Xiong, Jian Pei, Jun Luo, Haoyu Zhang
论文核心摘要：
本文提出了一种新的“基于组的天际线”（G-Skyline）概念，用于识别帕累托最优的点组（groups），这些点组不被其他任何相同大小的组所支配。传统天际线仅关注个体点的最优性，而该研究将其扩展至群体层面，适用于多准则决策中需要选择一组对象的应用场景（如酒店预订组合、NBA球队组建）。为高效计算由$k$个点组成的 G-Skyline 组，作者提出了一个有向天际线图（DSG）结构，并利用前$k$层天际线层中的点进行剪枝。在此基础上，设计了两种启发式算法——逐点算法（point-wise）和单位组逐组算法（unit group-wise），结合多种剪枝策略显著提升了效率。实验表明，G-Skyline 具有实际意义且算法具备良好的可扩展性。
研究背景与目的：
天际线（Skyline）是一种重要的多准则数据分析工具，用于找出在所有维度上均未被其他点支配的“最优”点集，广泛应用于推荐系统、决策支持等领域。然而，传统天际线局限于单个对象的选择，无法满足需选出一组对象（如团队、套餐）的实际需求。例如，在组织会议时可能需预定多家酒店；在组建篮球队时需挑选多名球员。现有方法若简单地从传统天际线点中选取子集，会遗漏一些虽含非天际线成员但整体表现优异的组合（如某非天际线球员仅被队内另一成员超越）。因此，本文旨在定义并解决“组级”帕累托最优问题，填补这一研究空白。

论文关键方法概述：关键方法、实验设计、数据集等

关键方法：
1. G-Skyline 定义：引入“组支配”（group dominance）关系：若对于组$G’$中每个点，都能在组$G$中找到唯一对应的点来支配它（至少有一个严格支配），则称$G$支配$G’$。G-Skyline 即是那些不被任何其他同规模组支配的所有组。
2. 有向天际线图（DSG）：构建基于前$k$层天际线的图结构，节点表示点，边表示支配关系，记录每点的父节点（支配它的点）和子节点（被它支配的点）。
3. 剪枝优化算法：
  - 利用定理证明只需考虑前$k$层天际线内的点即可生成所有$k$-point G-Skyline 组。
  - 提出“单位组”（unit group）概念：某点及其所有祖先构成的最小必需集合。
  - 设计 point-wise 和 unit group-wise 两类搜索算法，结合子树剪枝、尾部集合剪枝、超集/子集剪枝等多种策略减少候选数量。
实验设计：
- 对比算法：枚举基线法（BL）、逐点算法（PWise）、基础单位组算法（UWise）、改进单位组算法（UWise+）。
- 评估指标：运行时间、输出大小（G-Skyline 组数）、可扩展性（随数据量$n$、维度$d$、组大小$k$变化）。
- 剪枝效果验证：比较各算法生成的候选组数量。
数据集：
1. 真实数据集：NBA 球员数据（2384 名球员，5 个属性：得分 PTS、篮板 REB、助攻 AST、抢断 STL、盖帽 BLK）。
2. 合成数据集：生成独立型（INDE）、相关型（CORR）、反相关型（ANTI）三种分布的数据，控制变量测试算法性能。

主要结果：核心发现、数据或图表描述

案例研究（Table 3）：对酒店数据的小规模用户调查显示，用户选择的最佳组合（如$\{p_6, p_3\}, \{p_{11}, p_{10}\}$）中有多个不在传统 skyline 子集中，但均被 G-Skyline 覆盖，验证了其合理性。
算法效率提升显著：
- 在合成数据上，随着$n$增加，UWise 和 UWise+ 运行时间增长缓慢，远优于指数级增长的 BL 方法（图7）；
- 随着$d$或$k$增大，所有方法耗时上升，但 UWise+ 因更强剪枝仍保持领先（图8、图9）；
- 在 NBA 数据上，当$k=5$，总候选数高达约$6.4\times10^{14}$，而 G-Skyline 输出仅为约 486 万组（占比$7.6\times10^{-9}$），说明有效过滤了大量劣质组合（Table 4 示例展示了不同类型的优势队伍）。
剪枝有效性：以$k=4$为例，baseline 枚举需检查 70 个候选，而 point-wise 算法通过剪枝仅需检查 31 个；unit group-wise 更进一步降至 27 个（图4、图6），体现剪枝策略的有效性。

主要贡献与创新点

首次形式化定义组级天际线（G-Skyline）：将经典天际线从个体扩展到群体，提出基于排列对应支配的组支配关系，真正捕捉帕累托最优组的本质。
提出高效的前置处理结构——有向天际线图（DSG）：基于前$k$层天际线构建图结构，理论证明只需此子集即可完成计算，大幅缩小搜索空间。
设计新颖的剪枝算法框架：
- 引入“单位组”作为基本单元，使算法能基于语义块而非原子点进行搜索；
- 提出多种剪枝规则（如子树单调性、尾部剪枝、超/子集剪枝），极大降低候选空间；
- 实现两种不同粒度的搜索策略（逐点 vs 逐单位组），适应不同场景。
提供实用变体定义：提出更严格的 AG-Skyline（全排列支配）和更宽松的 PG-Skyline（部分点支配），应对输出过多或过少的问题。

潜在局限性或未来工作

输出规模爆炸问题：尤其在高维或反相关数据下，G-Skyline 输出组数可能非常庞大（见讨论部分），影响实用性。虽提出 PG-Skyline 缓解，但仍需更有效的代表性组选取机制（如 top-k G-Skyline）。
计算复杂度仍然较高：尽管相比暴力枚举极大优化，但在大规模高维数据上运行时间仍有挑战，未来可探索近似算法或并行化实现。
静态数据假设：当前方法针对静态数据集，未考虑动态插入/删除情形下的增量维护问题，未来可研究流式 G-Skyline 更新技术。
语义解释不足：输出的 G-Skyline 组缺乏统一排序或评分机制，用户难以直接比较不同组间的优劣，未来可结合偏好建模进行个性化筛选。

论文标题：Finding Probabilistic k-Skyline Sets on Uncertain Data

论文信息

论文作者：
- Jinfei Liu, Haoyu Zhang, Li Xiong（Emory University）
- Haoran Li（Emory University / Lenovo）
- Jun Luo（Chinese Academy of Sciences）
论文核心摘要：
本文提出了一种新的概念——概率性k-天空线集合（Probabilistic k-Skyline Sets, 简称 Pk-SkylineSets），用于在不确定数据上识别一组具有高概率同时成为天空线点的对象集合。传统的方法如 p-skyline 和 top-k skyline 关注的是单个对象的天空线概率，而本文首次将该问题扩展到“集合”层面，旨在找出大小为$k$的对象子集，其所有实例以较大概率共同构成天空线集合。为此，作者设计了一个高效的算法，结合两种启发式剪枝策略（对象剪枝与实例剪枝）以及基于分层范围树（layered range tree）的数据结构，显著提升了计算效率。实验证明该方法在真实NBA数据集和合成数据集上均有效且可扩展。
研究背景与目的：
天空线查询是一种重要的多准则决策工具，用于筛选出不被其他任何点支配的帕累托最优解。然而，在现实场景中，数据往往是不确定的（例如运动员每年表现不同）。已有研究主要集中在计算单个不确定对象成为天空线的概率（即 p-skyline 或 top-k skyline）。但许多实际应用需要选择一个对象集合，比如篮球教练组建一支由$k$名球员组成的球队。此时仅考虑个体概率是不够的，因为我们需要这些球员的表现记录能同时出现在天空线上。因此，本文的研究动机在于填补这一空白：如何从不确定数据中高效地找到最有可能作为一个整体构成天空线的$k$元组集合。

论文关键方法概述

关键方法：
1. 定义 Pk-SkylineSets： 将传统概率天空线推广至集合形式，定义一个$k$对象集合的概率为其所有可能实例组合在各自可能世界中全部为天空线点的概率总和。
2. 枚举+剪枝框架： 枚举所有候选$k$-对象组合，并计算其集合天空线概率。
3. 两阶段剪枝优化：
  - 对象剪枝（Object Pruning）： 利用单调性性质（任意集合的天空线概率不超过其子集的概率），预先选取一个高概率的$k$-对象种子集，用于剔除那些个体天空线概率低于该种子集整体概率的对象。
  - 实例剪枝（Instance Pruning）： 若某实例被另一个对象的所有可能实例所支配，则它永远不可能成为天空线点，可以直接删除。
4. 基于分层范围树的概率计算： 使用增强版的累积型分层范围树（cumulative layered range tree）来加速“查找支配某个实例集合的所有外部实例”这一操作，从而快速计算集合天空线概率。
实验设计：
- 实现了四种对比算法：
  - BL：朴素基线算法（扫描所有实例）
  - RT：使用分层范围树但无剪枝
  - HBL：有剪枝 + 基线计算
  - HRT：完整算法（有剪枝 + 分层范围树）
- 在真实 NBA 数据集（42~1000 名球员，每名球员有多年统计数据作为实例）和三种合成数据集（独立 INDE、相关 CORR、反相关 ANTI）上进行测试。
- 变量包括：对象数量$n$、每个对象实例数$m$、维度$d$、集合大小$k$。
数据集：
- 真实数据集： NBA 球员数据，来源于 basketball-reference.com，属性包括得分（PTS）、助攻（AST）、篮板（REB）、抢断（STL）、盖帽（BLK）等。
- 合成数据集： 按照经典文献 [9] 方法生成的独立（INDE）、正相关（CORR）、负相关（ANTI）多维数据，模拟不同的分布特性。

主要结果

有效性验证（NBA 数据）：
- 表3显示了前8个最高概率的5人组合（$k=5$），其中 {0,1,3,9,21}（对应 LeBron James, Dennis Rodman, Charles Barkley, Karl Malone, Magic Johnson）获得最高集合概率（0.5977）。
- 验证了个体最优 ≠ 集合最优：尽管 Michael Jordan 的个体天空线概率高于 Chris Webber，但在某些组合中替换后反而降低了整体集合概率。
性能与可扩展性：
- 图6 显示随着对象数量$n$增加，HRT 比 BL 快近$10^4$倍。
- 图7–10 显示：
  - 时间随$k$和$d$呈指数增长，符合理论预期。
  - HRT 在大多数情况下远优于 HBL，尤其在低维和中小$k$场景下优势明显。
  - “维度灾难”影响明显：当$d$较大时，剪枝效果减弱，各算法差距缩小。
  - 实例数$m$很大时（如1000），HBL 因需遍历大量实例而无法完成，而 HRT 仍可在百万毫秒内完成。
  - 数据相关性影响剪枝效率：CORR 数据因更易剪枝而最快，ANTI 最难剪枝故最慢。
总体结论： 所提算法 HRT 在真实和合成数据上都表现出优越的效率和良好的可扩展性。

主要贡献与创新点

首次提出“概率性k-天空线集合”问题（Pk-SkylineSets）：
将传统的个体天空线查询推广至集合层次，满足了团队构建、组合推荐等实际需求，具有明确的应用价值。
形式化建模与语义清晰：
基于可能世界模型严格定义了集合天空线概率，语义合理，区别于已有工作（如 p-skyline 是“频繁项”，U-Skyline 是“最频事务”，本工作相当于“频繁k-itemset”）。
高效的剪枝策略：
- 提出对象剪枝，利用单调性提前排除无效对象；
- 提出实例剪枝，通过最小边界矩形快速识别必然被支配的实例。
创新的数据结构设计：
改进经典分层范围树，引入累积信息数组，使得在$O(\log N)$时间内即可获取某个区域内的对象级概率聚合值，避免逐点扫描，将单次查询复杂度从$O(N)$降至$O(n \log^{d-1} N)$。
完整的高效算法框架：
整合剪枝与索引技术，最终实现最坏情况时间复杂度$O(C_n^k m^k n \log^{d-1} N)$，远优于朴素方法的$O(C_n^k m^k N)$。

潜在局限性或未来工作

局限性：
1. 指数级搜索空间： 虽然剪枝有效，但枚举所有$C_n^k$组合本质上仍是组合爆炸问题，当$n$和$k$较大时依然不可行。
2. 维度灾难敏感： 高维下剪枝效率下降，且分层范围树的时间复杂度含$\log^{d-1} N$因子，实际性能会急剧恶化。
3. 假设限制： 实例间互斥、独立发生；未考虑更复杂的依赖关系或动态更新场景。
4. 近似性缺失： 未提供近似算法或Top-$k$返回机制，只能求精确最大概率集合。
未来工作建议：
1. 设计近似或启发式算法（如贪心、局部搜索）以应对大规模高维场景。
2. 探索在线或流式处理版本，支持动态不确定数据。
3. 引入约束条件（如预算、角色互补）使模型更贴近实际应用场景。
4. 研究分布式并行化实现，提升超大数据集下的处理能力。
5. 扩展至带权重或偏好的用户定制化集合天空线查询。

论文标题：Group-Based Skyline for Pareto Optimal Groups

论文信息

论文作者：
Jinfei Liu, Li Xiong, Jian Pei, Jun Luo, Haoyu Zhang, 和 Wenhui Yu。
论文核心摘要：
本文提出了一种新型的群组式天际线（G-Skyline）概念，用于识别在多准则决策中不被其他群组所支配的帕累托最优群组。传统的天际线计算仅关注单个点，而该研究将其扩展至由多个点组成的群组。为此，作者提出了一个基于有向天际线图（Directed Skyline Graph, DSG）的新结构，并利用前$s$层天际线层中的点及其支配关系来高效地计算 G-Skyline 群组。文中还设计了两种启发式算法——逐点算法（Point-wise）和单位群组算法（Unit group-wise），结合多种剪枝策略以提升效率。此外，由于 G-Skyline 群组数量可能非常庞大，文章进一步提出了基于被支配点数和被支配群组数的Top-$k$代表性 G-Skyline 群组定义及相应高效算法。实验结果表明，该方法在真实 NBA 数据集和合成数据上均有效且可扩展。
研究背景与目的：
天际线（Skyline）是一种重要的多标准数据分析工具，广泛应用于数据库、计算几何和商业管理等领域。它通过筛选出未被其他点支配的数据点，为用户提供一组无需预设权重的“最优”选项。然而，传统天际线局限于对单个对象的分析，无法满足许多实际场景中需要选择一组对象的需求（如组建团队、预订多家酒店等）。现有的一些群组天际线方法依赖于聚合函数（如 SUM、MAX），但这些方法难以捕捉真正的帕累托最优群组。因此，本文旨在填补这一空白，提出一种全新的、更符合实际需求的群组层面的天际线定义（G-Skyline），能够发现那些整体上不被任何其他同规模群组支配的帕累托最优群组。

论文关键方法概述

关键方法：
1. G-Skyline 定义：首次形式化定义了群组间的支配关系（Group Dominance）。若对于群组$G’$中的每个点，都能在群组$G$中找到一个不同的点对其进行支配，则称$G$支配$G’$。G-Skyline 即为所有不被任何其他同规模群组支配的群组集合。
2. 有向天际线图（DSG）：构建一个有向图来表示数据集中点之间的支配关系。节点代表点，边代表直接支配关系。每个节点记录其所在的天际线层数、父节点（支配它的点）和子节点（被它支配的点）。
3. 天际线层（Skyline Layers）：将数据集按层划分，第一层是传统天际线，第二层是去除第一层后剩余点的天际线，依此类推。理论证明，只需考虑前$s$层即可计算出所有$s$-点 G-Skyline 群组。
4. 单位群组（Unit Group）：定义一个点的单位群组为其自身及其所有父节点的集合。这是验证一个群组是否为 G-Skyline 的关键依据。
5. 两种核心算法：
  - 逐点算法（Point-wise）：从空集开始，在枚举树中逐个添加点生成候选群组，并应用子树剪枝（非 G-Skyline 群组的超集必不是）和尾部集合剪枝（新加入的点必须是当前群组中某点的子节点或本身是天际线点）。
  - 单位群组算法（Unit group-wise）：以单位群组为基本单元进行扩展。在此基础上引入了超集剪枝、重排序优化（优先处理大单位群组以尽早剪枝）、子集剪枝等高级优化策略。
6. Top-$k$代表性 G-Skyline：
  - Top-$k$基于被支配点数（topkGp）：选择能支配最多外部点的$k$个群组。提出使用上界估计（UDP）进行剪枝的高效算法。
  - Top-$k$基于被支配群组数（topkGg）：选择能支配最多其他群组的$k$个群组。提出使用代表图（Representative Graph）压缩搜索空间和计数算法避免穷举，以及基于上界（UDG）的剪枝算法。
实验设计：比较了所提算法（PWise, UWise, UWise+）与基线算法（BL）在不同参数下的性能。
数据集：使用了三种类型的合成数据集（独立型 INDE、相关型 CORR、反相关型 ANTI）以及一个真实的 NBA 球员数据集（包含2384名球员的5项表现指标：PTS, REB, AST, STL, BLK）。

主要结果

算法效率：
- 在合成数据上，随着维度$d$或群组大小$s$增加，所有算法的时间成本呈指数增长，但所提算法（尤其是 UWise+）显著优于基线算法 BL。
- 随着数据量$n$增加，时间成本和输出大小的增长相对平缓，因为算法只依赖于前$s$层天际线点的数量$S_s$，而$S_s \ll n$。
- UWise+ 算法在大多数情况下表现最佳，得益于其先进的剪枝策略。
G-Skyline 规模：G-Skyline 群组的数量可能极其庞大（例如，在 NBA 数据集中，从约$10^{14}$个候选群组中筛选出近 500 万个 G-Skyline 群组），这凸显了提出 Top-$k$代表性的必要性。
Top-$k$结果：
- 所提的 Top-$k$算法（PG, PA, CA）比基线算法快一个数量级以上。
- 在 NBA 数据集中，Top-3 的 topkGp 和 topkGg 虽然没有完全相同的群组，但都包含了像“Hakeem Olajuwon”、“Magic Johnson”这样的顶级球星，说明两种度量方式具有一定的相似性和合理性。
- 实验验证了 Top-$k$方法的有效性，能够在海量 G-Skyline 群组中快速找出最具代表性的少数几个。

主要贡献与创新点

首创性定义：首次提出了群组式天际线（G-Skyline）的概念，将经典的天际线思想从个体层面推广到群组层面，为群组决策提供了新的理论基础。
新颖的计算框架：提出了有向天际线图（DSG）和单位群组（Unit Group）的核心概念，为高效计算 G-Skyline 提供了强有力的理论支撑和数据结构基础。
高效的算法设计：设计了两种高效的启发式算法（逐点和单位群组算法），并引入了多种有效的剪枝策略（子树剪枝、尾部剪枝、超集剪枝、子集剪枝），大幅提升了计算效率。
实用性增强：针对 G-Skyline 数量过多的问题，创新性地提出了两种Top-$k$代表性 G-Skyline的定义（基于被支配点数和被支配群组数），并给出了相应的高效计算算法，极大地增强了该技术的实际可用性。
全面的实证研究：通过在真实和合成数据集上的大量实验，充分验证了所提方法的有效性、高效性和可扩展性。

潜在局限性或未来工作

潜在局限性：
1. 高维灾难：虽然算法进行了优化，但当维度$d$很高时，前$s$层天际线点的数量$S_s$会急剧增加，导致计算复杂度依然很高。
2. 计算开销：尽管 Top-$k$算法已很高效，但在极端大规模数据下，计算被支配群组数（topkGg）仍然非常耗时。
3. 静态数据假设：论文主要针对静态数据集，未考虑数据动态更新（如流数据）的情况。
4. 群组大小固定：目前的方法要求预先指定群组大小$s$，缺乏对变长群组的支持。
未来工作：
1. 探索近似算法：为了应对高维和大规模数据，可以开发近似算法，在可接受的精度损失下换取更高的计算速度（文中已提及 approximate algorithm 作为初步尝试）。
2. 支持动态数据：研究如何在数据持续到达或变化的情况下，高效地维护和更新 G-Skyline 群组。
3. 变长群组优化：将模型扩展到支持不同大小的群组，或者自动确定最优群组大小。
4. 应用场景拓展：将 G-Skyline 应用于更多实际领域，如社交网络中的团队推荐、金融投资组合选择、供应链伙伴选择等，并根据具体场景定制化支配规则。

论文标题：CAPP-130: A Corpus of Chinese Application Privacy Policy Summarization and Interpretation

论文信息

论文作者：
Pengyun Zhu¹, Long Wen¹, Jinfei Liu¹²*, Feng Xue¹, Jian Lou¹², Zhibo Wang¹, Kui Ren¹
（单位：¹浙江大学；²浙大杭州全球科技创新中心）
论文核心摘要：
隐私政策通常充斥着技术术语和法律语言（technobabble and legalese），导致普通用户难以理解，从而在不知情的情况下同意可能违法的条款，带来隐私泄露风险。尽管已有研究尝试通过自然语言处理（NLP）技术对隐私政策进行自动摘要，但现有方法多局限于句子提取，未能解决“不可读”的根本问题。此外，中文隐私政策的相关研究几乎空白，且缺乏高质量标注语料库。为此，本文提出两个主要贡献：一是构建了一个细粒度、由法律专家精心标注与重写的中文应用隐私政策语料库——CAPP-130，包含130份流行App的隐私政策，共计38,889个句子、52,489条标注和20,555条重写句；二是提出了一个主题控制型隐私政策摘要与解释框架TCSI-pp，该框架结合分类模型与生成模型，先提取用户关注主题相关的句子，再将其重写为通俗易懂的语言。基于此框架开发的工具TCSI-pp-zh（采用RoBERTa + mT5）在真实数据上的实验表明，其在可读性和可靠性方面显著优于GPT-4及其他基线模型。
研究背景与目的：
- 问题驱动：隐私政策作为服务提供者与用户之间的关键协议，理论上应保障用户知情权，但实际上因冗长、晦涩、充满专业术语而被广泛忽视。研究表明多数用户直接点击“同意”，形成“知情同意悖论”。
- 现有方案不足：现有自动化摘要方法如OPP-115等主要聚焦于信息抽取或关键词识别，未解决语言层面的可读性问题；而通用大模型（如GPT-4）虽具生成能力，但存在“幻觉”（hallucination）、输出不稳定、需复杂提示工程等问题。
- 中文领域空白：目前尚无专门针对中文隐私政策、具备法律合规性解释功能的高质量语料库。
- 研究目标：构建一个法律专家深度参与的中文隐私政策语料库，并设计一个能同时实现精准提取与清晰重写的摘要框架，提升公众对隐私条款的理解能力。

论文关键方法概述：关键方法、实验设计、数据集等

CAPP-130 语料库构建
- 数据来源：从小米和华为两大主流安卓应用商店中爬取下载量最高的前100款App，去重后共获得130份具有代表性的中文隐私政策文档（截至2022年12月更新）。
- 标注体系：
  - 数据实践类别（11类）：包括第一方信息收集、权限获取、第三方共享/披露、用途、数据保留、数据安全、编辑与控制、特定受众、联系方式、政策变更、停止运营。
  - 特殊标记（2类）：
    - Important：是否涉及重要数据行为；
    - Risk：是否包含潜在隐私风险。
  - 重写句子：法律专家将原始难懂句子改写为简洁明了、面向大众的表达方式。
- 标注流程：由三位法律专家共同制定标注规范并交叉验证，随机选取20份政策进行三人联合标注，Cohen Kappa系数达0.907，显示极高一致性；其余由单人完成，保证质量与效率平衡。
- 数据规模：共38,889个句子，52,489条标注（允许多标签），20,555条人工重写句。
TCSI-pp 框架设计
- 两阶段混合摘要框架：
  1. 信息提取阶段（Information Extraction）
    - 初筛：使用二分类模型识别“Important”句子。
    - 细筛：使用多分类模型判断每个重要句子所属的主题类别。
    - 用户指定主题列表（如“信息收集”、“第三方共享”），系统仅保留匹配主题的句子。
    - 风险识别：额外使用二分类模型标记含潜在风险的句子，在最终输出中高亮提示。
  2. 句子重写阶段（Sentence Rewriting）
    - 使用序列到序列（seq2seq）生成模型将筛选出的原始句子重写为更易理解的形式。
    - 引入Transformer架构的生成模型（如mT5），避免自回归模型在长文本中的重复与失真问题。
TCSI-pp-zh 工具实现
- 基于TCSI-pp框架，选择最优模型组合：
  - 分类任务：从RoBERTa、BERT、ERNIE等六种编码器模型中选出表现最佳的RoBERTa用于主题与重要性识别。
  - 生成任务：从mT5、Bert2gpt等五种生成模型中选出最优的mT5用于句子重写。
- 最终形成端到端工具 TCSI-pp-zh，支持输入隐私政策原文和用户感兴趣的主题，输出结构化、高亮风险项的摘要。
实验设计
- 评估指标：
  - 分类任务：Micro-F1 和 Macro-F1。
  - 生成任务：ROUGE-1/2/L、BertScore、BARTScore、Carburacy。
- 对比模型：
  - 分类基线：BERT、ERNIE、SBERT 等。
  - 生成基线：Bert2gpt、RoBERTa2gpt、ERNIE2gpt、Bert2Bert。
  - 整体摘要对比：GPT-4、Llama2、ERNIE Bot（文心一言）、通义千问、Checkpoint（Pegasus）、TextRank。
- 社会调查：通过问卷星平台发放问卷，邀请61名受访者对不同模型生成的摘要进行可读性评分，统计偏好分布。

主要结果：核心发现、数据或图表描述

信息提取性能（表2）
- RoBERTa 在“topic-multi”分类任务中取得最高 Micro-F1（0.819）和 Macro-F1（0.841）；
- 在“important-binary”任务中表现最优（Micro-F1: 0.897）；
- 在“risk-binary”任务中仅次于PERT，但仍保持高水平（Micro-F1: 0.920），说明其综合性能最强。
细粒度分类效果（表3）
- RoBERTa 在除“Usage”外的所有主题上F1均超过0.8，其中“Contact Information”高达0.954，“Edit/Control”达0.906；
- “Usage”类别得分最低（F1=0.575），反映该类表述常更隐晦、专业化，建议监管加强规范。
句子重写性能（表4）
- mT5 在所有指标上全面领先：
  - ROUGE-1: 0.753（vs 第二名Bert2gpt: 0.751）
  - ROUGE-L: 0.733
  - BertScore: 0.888
- 表明 mT5 能更好保留原意的同时提升可读性。
整体摘要质量（图3 & 表5）
- 案例对比显示：GPT-4 会产生红色标出的错误内容（即“幻觉”），而 TCSI-pp-zh 输出准确、无虚构信息；
- 可读性问卷结果（表5）：
  - TCSI-pp-zh 获得 46.23% 受访者认可为最易读；
  - GPT-4 排名第二（42.13%）；
  - Llama2 和 Checkpoint 支持率均低于7%，表现较差。
- 在10个测试题中，TCSI-pp-zh 在6题中胜出，显示其稳定优势。
语料统计特征（表1）
- 占比前三的数据实践类别：“First Party Collection Information”（17.9%）、“Edit/Control”（13.7%）、“Third Party Sharing/Disclosure”（12.2%），构成隐私政策主体；
- “Important”标记占比52.8%，说明超半数句子需重点关注；
- 重写句平均长度（40词）明显短于原文（61词），压缩率达约34.4%，有效简化表达。

主要贡献与创新点

首创高质量中文隐私政策语料库 CAPP-130
- 是首个由中国法律专家深度参与标注与解释的隐私政策语料库；
- 不仅标注数据实践类别，还引入“Important”与“Risk”双重标记机制，并提供专家级重写句，填补“可读性增强”方向的资源空白。
提出主题可控的摘要与解释框架 TCSI-pp
- 区别于传统抽取式摘要，TCSI-pp 实现“提取+重写”双轮驱动；
- 支持用户按需选择关注主题，提升个性化服务能力；
- 显式标记高风险条款，增强警示作用，符合隐私保护实际需求。
构建并开源实用工具 TCSI-pp-zh
- 提供可复现、高性能的中文隐私政策摘要解决方案；
- 开源代码、数据、标注指南及基准模型（GitHub: https://github.com/EnlightenedAI/CAPP-130），推动社区发展。
实证验证优于大模型的表现
- 首次系统比较专用模型与GPT-4等大模型在中文隐私政策摘要任务中的表现；
- 证明在特定领域任务中，经过精细训练的小模型在准确性与稳定性上可超越通用大模型。

潜在局限性或未来工作

语言限制：当前 CAPP-130 和 TCSI-pp-zh 仅适用于中文隐私政策，作者计划扩展至英文及其他语言。
数据采集方式依赖机器：目前依赖自动化抓取，未来希望融入更多人工筛选因素，提高样本代表性。
无法完全消除生成模型“幻觉”风险：虽然通过专家标注和模型选择缓解，但仍可能存在信息丢失或误解。未来拟引入关键词提取、外部法律知识库等方式增强生成依据。
主题覆盖有限：当前仅支持11个预定义数据实践类别，用户无法查询超出范围的内容。未来将探索新增类别，提升定制化能力。
跨段落归纳能力弱：相比人类专家，模型尚不具备跨段落总结的能力，难以处理分散在全文的关键信息。长文本摘要将是重点攻关方向。
交互界面待完善：正设计可视化仪表盘，加入图标、符号等元素，提升用户体验与直观感知。

✅ 总结：本论文是一项兼具学术价值与社会意义的重要工作，不仅填补了中文隐私政策NLP研究的资源空白，也展示了如何通过“专家+AI”协同模式解决现实世界中的复杂法律文本理解难题。其开源精神和严谨实验设计为后续研究树立了良好范例。

论文标题：Data-Faithful Feature Attribution: Mitigating Unobservable Confounders via Instrumental Variables

论文信息

论文作者：
Qiheng Sun¹,², Haocheng Xia³, Jinfei Liu¹,²*
（¹浙江大学，²杭州高新区区块链与数据安全研究院，³伊利诺伊大学厄巴纳-香槟分校 Siebel 计算与数据科学学院）
论文核心摘要：
当前主流的特征归因方法（如 SHAP 和 Integrated Gradients）通常忽略不可观测混杂因子的影响，导致对模型解释的误解，尤其是在强调“数据保真”（data fidelity）的应用场景中。为解决这一问题，本文提出一种新的数据保真特征归因方法，通过使用工具变量（Instrumental Variables, IV）训练一个无混杂的模型，从而将输入特征的真实贡献从混杂效应中解耦出来。该方法使归因结果更贴近数据生成过程，在合成与真实世界数据集上的实验表明其显著优于基线方法，相对误差最多降低67%。
研究背景与目的：
特征归因旨在解释机器学习模型预测结果中各输入特征的重要性。传统方法关注的是“模型保真”——即归因是否忠于模型输出；而越来越多的研究转向“数据保真”——即归因应反映特征在真实因果机制中的作用。然而，当存在未被观测到的混杂因子（如个人能力影响教育水平和收入）时，标准归因方法会错误地将混杂因子的影响分配给相关可观测特征（例如高估教育对收入的作用）。
本研究的核心动机是：如何在无法直接观测混杂因子的情况下，仍能获得符合真实数据生成机制的特征重要性评估？目标是提升归因结果的数据保真度，避免因遗漏变量而导致的系统性偏差。

论文关键方法概述：关键方法、实验设计、数据集等

关键方法：
- 提出 IV-SHAP 和 IV-IG 方法，分别基于 SHAP 和 Integrated Gradients 构建。
- 使用工具变量法构建“去混杂”的预测模型：
  1. 第一阶段：利用工具变量$V$对受混杂影响的特征$X_c$进行重新估计（去混杂化），得到$\hat{X}_c$。
  2. 第二阶段：用$\hat{X}_c$替代原始$X_c$，与其他协变量一起训练最终的预测模型$f(\hat{X}_c, X_o)$。
- 在此无混杂模型上执行特征归因，使得边际贡献不再受隐含混杂因子干扰。
- 工具变量需满足三个经典假设：相关性（与$X_c$相关）、外生性（与混杂因子独立）、排他性约束（仅通过$X_c$影响结果）。
实验设计：
- 对比方法： 标准 SHAP、IG 作为基线；提出的 IV-SHAP 和 IV-IG 为改进方法。
- 评估指标：
  - 合成数据：使用绝对归因误差（与真实生成函数计算的归因值比较）。
  - 真实数据（Griliches76）：采用“平均归因比率相对误差”（Relative Error of Average Ratio of Importance, EAR），衡量教育年限归因的合理性。
- 实现方式： 在神经网络模型上实施两阶段训练流程，并适配回归与分类任务的不同损失函数。
数据集：
1. 合成数据集 A/B： 手动构造包含不可观测混杂因子$e$、受影响特征$x$、协作特征$x_i$和目标变量$y$的非线性生成模型，用于验证归因准确性。
2. 真实数据集 - Griliches76： 包含758个样本，研究教育年限（edu）对周薪对数（lw）的影响，其中“能力”为不可观测混杂因子。使用母亲教育年限（medu）作为教育的工具变量，并用 IQ 和 KWW 测试分数近似真实归因基准。
3. 真实数据集 - Angrist and Krueger： 使用美国人口普查数据，以出生季度作为教育年限的工具变量（因入学政策造成教育时长差异），但缺乏能力测量指标，故主要用于趋势观察。

主要结果：核心发现、数据或图表描述

合成数据实验结果（图2、图3）：
- IV-SHAP 和 IV-IG 的归因误差显著低于标准 SHAP 和 IG。
- 随着混杂强度增加（参数$p$增大），基线方法误差急剧上升，而所提方法保持稳定低误差，证明其对混杂具有鲁棒性。
真实数据 Griliches76 实验结果（表2）：
- 在多个年份设定下，IV-SHAP 将教育归因的相对误差从约 0.56（SHAP）降至 0.15–0.18，降幅达 67%以上。
- IV-IG 同样将 IG 的误差从 ~0.55 降至 ~0.14，表现一致优越。
- 表明传统方法严重高估了教育回报率，而引入工具变量后可有效纠偏。
Angrist-Krueger 数据集结果：
- 标准 SHAP 和 IG 给出的每多一年教育带来的收入增长归因为 ~0.0218。
- IV-SHAP 和 IV-IG 的归因为 ~0.0206–0.0207，略低但更合理，支持了文献中关于忽视“能力”会导致教育回报被高估的观点。
其他补充实验（附录）：
- 分类任务中，所提方法在保持归因对称性方面优于基线。
- 在 XGBoost 等非梯度模型上，IV-SHAP 依然有效。
- 所提基于置信区间的 SHAP 近似算法（Algorithm 1）在相同采样量下 MSE 更低，效率更高（表4）。

主要贡献与创新点

首次明确指出并形式化“不可观测混杂因子破坏特征归因”的问题，特别是在追求数据保真的场景中。
开创性地将因果推断中的工具变量法引入特征归因领域，提出 IV-SHAP 和 IV-IG 框架，实现“去混杂”的归因建模。
理论证明：在条件期望 Shapley、干预 Shapley 和 Integrated Gradients 下，使用工具变量重构的模型能够产生与理想无混杂模型相同的归因结果（Proposition 4）。
实用性强：提供完整的两阶段训练方案，适用于连续/离散特征、回归/分类任务，并讨论非梯度模型扩展路径。
高效近似算法：提出基于互补贡献和动态置信区间调整的 SHAP 估算方法，减少方差、提高精度。
开源代码发布：增强可复现性与社区影响力。

潜在局限性或未来工作

依赖合适的工具变量可用性：实际应用中寻找满足三大假设（相关性、外生性、排他性）的有效工具变量具有挑战性。
理论推导基于线性影响假设：虽然实验显示在非线性场景下仍有效，但当前理论分析未完全覆盖复杂非线性混杂结构。
第一阶段建模误差传播风险：若工具变量对特征的重估计不准确，可能引入新偏差。
特征间相关性处理有限：虽提及可用 On-Manifold 或 Causal Shapley 结合，但未深入整合高维相关特征下的稳健归因机制。

未来工作方向：

开发不依赖工具变量的替代方法（如利用负控制、代理变量等）。
推广至非线性混杂效应的理论分析框架。
探索在强化学习、序列决策等动态场景中的应用。
结合更多因果结构先验知识，进一步提升归因可靠性。

论文标题：NTTproofs: A Maintainable and Aggregatable Vector Commitment With Fast Openings and Updates

论文信息

论文作者：
Lijuan Huo, Libing Wu, Enshu Wang, Jinfei Liu, Chunshuo Li, Zemei Liu, Zhuangzhuang Zhang
论文核心摘要：
本文提出了一种名为 NTTproofs 的新型向量承诺（Vector Commitment, VC）方案，包含两个子方案：单向量承诺（VC）和多向量承诺（MC）。该方案结合了快速打开（即一次性高效生成所有证明）、高效的证明更新机制以及强大的聚合能力。通过引入快速数论变换（Fast Number-Theoretic Transform, NTT）和分片技术（sharding），显著提升了大规模状态验证场景下的性能表现，尤其适用于无状态加密货币系统。
研究背景与目的：
向量承诺是现代密码学中的基础构件，在区块链、零知识证明、联邦学习等领域有广泛应用。在无状态加密货币中，节点无需存储完整的账户余额状态，而是仅维护一个简洁的承诺值，并通过“证明”来验证特定账户余额的真实性。然而，现有方案面临三大挑战：
- 证明生成效率低：传统方法需逐个生成每个元素的证明，时间复杂度高；
- 证明更新开销大：当任一账户余额变更时，通常需要重新计算或批量更新全部证明，难以支持高频交易；
- 存储压力大：每笔交易携带独立证明会增加链上数据量，影响可扩展性。
因此，本研究旨在设计一种兼具可维护性（maintainability）、可聚合性（aggregatability）且支持快速打开与更新的向量承诺方案，以提升无状态区块链系统的整体性能与实用性。

论文关键方法概述

关键技术：
- 快速数论变换（NTT）：用于加速卷积运算，将原本$O(n^2)$的证明生成过程优化至$O(n \log n)$，实现所有证明的一次性并行生成。
- 循环矩阵与卷积建模：将 Pointproofs 中的移位操作转化为向量卷积形式，从而适配 NTT 加速。
- 分片结构（Sharding）：将长度为$n$的向量划分为$\sqrt{n}$个大小为$\sqrt{n}$的子块（shard），构建二维矩阵模型（MC），使得局部修改仅影响所在 shard 的行/列证明，大幅降低更新代价。
- 双维度承诺机制：在 MC 方案中，对每一行和每一列分别建立向量承诺，每个元素的完整证明由其所在行和列的两个子证明组成。
实验设计与数据集：
- 实验基于 BLS12-381 配对友好椭圆曲线实现，保障 128 位安全强度；
- 测试环境为 Intel Core i9-13900K CPU，32 核 128GB 内存，单线程运行；
- 对比对象包括主流方案：Balanceproofs、Hyperproofs、Matproofs 和 Pointproofs；
- 微基准测试涵盖不同规模向量（$n = 2^{20}$至$2^{30}$）及矩阵配置（如$n_1=n_2=2^{12}$）；
- 宏观基准模拟无状态区块链区块处理流程，评估提案、验证与维护总耗时。

主要结果

证明生成速度显著提升：
- 在$n=2^{24}$规模下，MC 子方案的全证明生成时间为约 5.7 小时，相比 Balanceproofs 提升 0.76×，相比 Matproofs 提升 0.32×；
- 利用 NTT 实现一次完成所有证明生成，避免逐项计算。
极快的证明更新能力：
- 当单个元素发生变化时，MC 方案可在 15.78 毫秒内完成所有相关证明的更新（在$n_1=n_2=2^{12}$设置下）；
- 更新时间复杂度从线性的$O(n)$下降至亚线性的$O(\sqrt{n})$，得益于分片隔离机制。
卓越的聚合性能：
- 聚合 1024 个独立证明所需时间仅为：
  - VC：3 毫秒
  - MC：51 毫秒
- 所得聚合证明大小恒定：
  - VC：96 字节
  - MC：192 字节
- 显著优于多数对比方案，尤其在聚合后体积控制方面领先。
宏观性能评估（区块级）：
- 在包含 1024 笔交易的区块场景中，MC 方案的总处理时间（提案 + 多节点验证 + 维护）虽略逊于 Balanceproofs（慢 1.9 倍），但远优于其他方案：
  - 比 Hyperproofs 快 2.93×
  - 比 Matproofs 快 23.06×
  - 比原始 VC 版本快 179.32×
  - 比 Pointproofs 快超过 10万倍

主要贡献与创新点

首次将 NTT 引入向量承诺构造，利用其高效卷积特性实现全量证明的快速打开，解决了传统逐个生成效率低的问题；
设计基于分片架构的多向量承诺（MC），通过行列双承诺机制实现局部化更新，使证明更新复杂度降至$O(\sqrt{n})$，极大增强可维护性；
提出跨向量的两级聚合机制（行聚合 + 列聚合），支持多维数据场景下的高效聚合验证；
实现常数大小的聚合证明（最小达 96 字节），有效缓解链上存储压力；
构造完整、安全且实用的系统方案，在微/宏观层面均展现出优越性能，特别适合高吞吐无状态区块链应用。

潜在局限性或未来工作

依赖可信设置（Trusted Setup）：
- 当前方案需要预先生成大量秘密参数（如$g^\beta, g^{\beta^2}, …, g^{\beta^n}$），存在中心化信任风险；
- 作者计划采用多方计算（MPC）或隐藏阶群（hidden-order groups）实现去中心化的透明设置。
中间状态存储开销：
- 承诺计算过程中产生的中间值需临时存储，虽然可定期清理，但仍带来额外内存负担；
- 未来目标是消除这些中间变量以进一步轻量化。
跨分片事务一致性挑战：
- 分片结构可能引发跨 shard 交易的状态同步问题；
- 作者建议结合链下协调机制（如状态锁）进行管理，留待后续深入研究。
硬件与部署限制：
- NTT 运算对大整数模运算要求较高，可能在资源受限设备上部署困难；
- 可探索更轻量级的近似算法或专用加速器支持。

综上所述，NTTproofs 是一项面向高性能无状态系统的创新型向量承诺框架，兼具理论深度与工程价值，为下一代可扩展区块链提供了有力的技术支撑。

论文标题： P-Shapley: Shapley Values on Probabilistic Classifiers

论文信息

论文作者：
- Haocheng Xia（浙江大学）
- Xiang Li（浙江大学）
- Junyuan Pang（浙江大学）
- Jinfei Liu（浙江大学杭州国际科创中心）
- Kui Ren（浙江大学）
- Li Xiong（埃默里大学）
论文核心摘要：
本文提出了一种新的数据估值方法——P-Shapley，该方法将传统的基于分类准确率的Shapley值扩展到使用预测概率作为效用函数。通过引入“原始概率”（raw probability）作为更精细的性能度量，并结合凸校准函数（如Square、Mish、Swish），显著提升了对训练数据边际贡献的区分能力与计算稳定性。理论分析和四个真实世界数据集上的实验表明，P-Shapley在高价值数据识别、噪声标签检测和模型可解释性方面优于现有方法。
研究背景与目的：
在机器学习中，Shapley值被广泛用于公平地评估每个训练样本对模型性能的贡献。传统做法通常以分类准确率为效用函数，但这种方法存在明显缺陷：它是一个粗糙的离散指标，无法捕捉模型输出概率中的细微变化。例如，当一个新样本使某个验证样本的预测概率从60%提升至80%，尽管置信度显著增强，但如果两者都未改变最终预测结果，则其边际贡献会被记为零。

为此，本研究旨在设计一种能更好利用模型输出概率信息的数据估值框架，解决以下问题：
- 如何更精确地区分不同数据点的真实贡献？
- 如何提高Shapley值估计的稳定性和判别力？
- 是否可以通过非线性变换进一步放大关键改进的价值？

论文关键方法概述

核心思想：
提出P-Shapley值（Probability-based Shapley Value），用平均预测正确类别的概率（即raw probability）替代准确率作为效用函数：
$U_p(S) = \frac{1}{|V|} \sum_{k=1}^{|V|} \text{Pr}(y_k = y_k)$
其中$V$是验证集，$y_k$是第$k$个验证样本的真实标签，$\text{Pr}(y_k = y_k)$是模型赋予其真实类别的预测概率。
关键方法：
1. P-Shapley值定义：
  基于上述概率效用函数重新定义Shapley值，衡量每个数据点带来的期望边际概率增益。
2. 凸校准函数引入：
  考虑到提升高置信度预测比低置信度更困难，采用具有正二阶导数的凸函数来放大概率提升的效果，从而强化高质量贡献的权重。选用的校准函数包括：
  - Square:$f(x) = x^2$
  - Mish:$f(x) = x \cdot \tanh(\ln(1 + e^x))$
  - Swish:$f(x) = x / (1 + e^{-\beta x}), \beta=1$
3. 算法实现：
  使用截断蒙特卡洛（Truncated Monte Carlo）近似算法高效估算P-Shapley值，避免全排列枚举带来的指数级复杂度。
实验设计与数据集：
实验在四个来自OpenML的真实数据集上进行：
- Covertype
- Wind
- Fashion-MNIST
- CIFAR-10
所有图像数据使用预训练ResNet-18提取特征后降维至32维主成分，分类器采用逻辑回归（LR）和支持向量机（SVM）。
对比方法：
- Leave-One-Out (LOO)
- TMC-Shapley（基于准确率）
- TMC-Shapley（AUC、LogLoss）
- Beta-Shapley ($\alpha=1,\beta=16$)

主要结果

更高的计算稳定性：
表3显示，P-Shapley系列方法（尤其是Mish和Square）在所有数据集上均表现出更低的中位变异系数（Median CV），说明其估计更具一致性与鲁棒性。
更强的高价值数据移除效应：
图4与图5展示了按估值排序逐步删除最高价值数据时模型性能下降的速度。P-Shapley方法导致更快的性能衰减，说明其更能识别真正重要的数据。

表4和表5中的加权指标（WAD、WBD、WCD）进一步证实：
- P-Shapley (Mish/Square) 在多数情况下取得最高得分；
- 引入校准函数后性能普遍优于原始P-Shapley；
- 尤其是WBD和WCD，体现其在概率层面敏感性的优势。
更优的噪声数据检测能力：
表6报告了在注入20%标签噪声后的PR-AUC表现：
- 所有P-Shapley变体均优于基准方法；
- 特别是在CIFAR-10上，P-Shapley (Mish) 达到接近0.985的AUC，远超TMC-Shapley的0.982；
- 显示其能有效识别并给错误标注样本赋较低价值。
记录级模型可解释性应用：
图6和图7展示P-Shapley可用于解释特定验证样本的预测结果如何由不同训练簇影响。相比仅判断“是否正确”的Shapley值，P-Shapley可量化每组数据对该样本预测概率的具体增减量（如+0.44或-0.27），提供更细粒度洞察。

主要贡献与创新点

提出P-Shapley框架：
首次系统性地将预测概率本身作为Shapley值的效用函数，突破了以往依赖准确率等粗粒度指标的限制，适用于任意概率型分类器。
理论支撑充分：
- 证明P-Shapley保留更多香农熵（Theorem 3.1）；
- 证明其在大集合下仍保持更高期望边际贡献（Theorem 3.2）；
- 证明其方差更低、稳定性更强（Theorem 3.3）。
引入凸校准机制：
创新性地利用神经网络激活函数中的凸函数（如Mish、Swish）来建模“边际收益递减”的非线性特性，进一步优化贡献分配。
多任务有效性验证：
在数据移除、噪声检测、模型调试等多个下游任务中全面验证P-Shapley的有效性，且开源代码促进复现与推广。
拓展应用场景：
展示P-Shapley不仅可用于数据估值，还可作为记录级别的模型解释工具，揭示训练数据如何具体塑造模型输出。

潜在局限性或未来工作

计算成本仍然较高：
尽管采用截断蒙特卡洛近似，P-Shapley仍需多次训练模型，在大规模数据集上应用受限。未来可探索基于梯度或代理模型的快速估计方法。
校准函数选择依赖经验：
不同数据集/模型下最优校准函数不一致（如Swish在简单任务中表现好）。未来可研究自适应选择或联合学习校准函数的方法。
假设条件较强：
理论分析依赖若干假设（如预测可解释性、误差独立性），在极端分布偏移或强对抗场景下可能失效。
未覆盖多模态或生成任务：
当前方法聚焦于分类任务，未来可扩展至回归、目标检测、文本生成等领域。
公平性考量不足：
虽然关注了噪声检测，但未深入探讨群体公平性（group fairness）下的数据价值差异，未来可结合公平感知效用函数进行改进。
与其他概率评价指标比较有限：
文中虽提到F1、AUC等效果不佳，但缺乏对Brier Score、Calibration Error等专门针对概率质量的指标的深入比较。

✅ 总结：
本文提出了一个简洁而有力的新范式——P-Shapley，通过从“是否正确”转向“有多确定”，实现了对数据贡献的精细化刻画。其理论严谨、实证充分，代表了当前数据估值领域的重要进展。未来若能在效率与泛化性上进一步突破，有望成为标准工具之一。

论文标题： PGB: Benchmarking Differentially Private Synthetic Graph Generation Algorithms

论文信息

论文作者：
- Shang Liu¹,³, Hao Du², Yang Cao³, Bo Yan⁴,³, Jinfei Liu⁵, Masatoshi Yoshikawa⁶
  （单位详见文档，涵盖中国矿业大学、东京科学研究所、北京邮电大学、浙江大学、北海道大学、大阪成蹊大学）
论文核心摘要：
本文提出 PGB（Private Graph Benchmark） ——一个面向差分隐私图生成算法的综合性基准测试框架。现有研究因采用不同的隐私定义、数据集、隐私预算和效用度量，导致难以进行公平比较。为此，作者系统梳理了四个关键要素：机制（M）、图数据集（G）、隐私要求（P）和效用指标（U），并据此构建了一个统一的评估体系。PGB 实现了六种代表性算法在八种图数据集、六个隐私预算和十五类图查询上的大规模实验（共超过43,200次实验）。结果显示：没有一种算法在所有场景下都表现最优，不同算法各有优势。最后，论文为研究人员提供了根据不同应用场景选择合适算法的指导建议。
研究背景与目的：
图数据分析广泛应用于社交网络、交通网络和流行病传播等领域，但直接发布图统计信息可能泄露个体敏感信息。差分隐私（DP）已成为保护个体隐私的标准工具。尽管已有多种针对特定查询（如度分布、三角形计数）的私有化算法，但这些方法需“一事一议”地重新设计。相比之下，差分隐私合成图生成提供了一种通用范式——只需一次生成即可支持后续任意多次查询。然而，当前缺乏统一标准来公平评估不同图生成算法的性能。因此，本文旨在建立一个可复现、全面且公平的基准测试平台（PGB），以推动该领域的健康发展。

论文关键方法概述：关键方法、实验设计、数据集等

核心方法论：4元组基准设计原则 (M, G, P, U)
作者提炼出影响可比性的四大要素，并制定相应设计原则：
- M（机制）：必须使用相同的隐私定义（本文聚焦于边中心化差分隐私 Edge CDP），避免 Node DP 与 Edge DP 混用；鼓励开源代码以便复现。
- G（图数据集）：应覆盖多样化的图规模（节点数从2.6k到22.7k）、平均聚类系数（ACC）及图类型（社交、网页、学术、金融、技术、交通及合成图）。
- P（隐私要求）：应在合理范围内设置一致的隐私预算 ε（本文设定为 [0.1, 10]），避免极端值（如 ε=2000）削弱隐私意义。
- U（效用指标）：需统一查询任务和误差度量方式。本文整合了15种常见图查询（见下表），并标准化其评估指标。
实验设计：
- 算法选择：选取6个代表性算法，均满足 Edge CDP 并处理非属性图：
  - DP-dK, TmF, PrivSKG, PrivHRG, PrivGraph, DGG（基线）
- 图数据集（G）：共8个，含6个真实世界图 + 2个合成图（ER 和 BA 模型）

图名	类型	节点数	边数	ACC
Minnesota	交通	2,600	3,300	0.016
Facebook	社交	4,039	88,234	0.606
Wiki-Vote	网页	7,115	103,689	0.141
ca-HepPh	学术	12,008	118,521	0.612
poli-large	金融	15,600	17,500	0.397
Gnutella	技术	22,687	54,705	0.005
ER graph	合成	10,000	~250k	0.005
BA graph	合成	10,000	~50k	0.007

隐私预算（P）：ε ∈ {0.1, 0.5, 1, 2, 5, 10}
查询任务与度量（U）：共15项查询，分为五类：

查询类别	具体查询	主要度量
计数类	节点数(V)、边数(E)、三角形数(△)	相对误差(RE)
度相关	平均度(d)、度方差(d_var)、度分布(d_dist)	RE / KL散度
路径类	直径(t_max)、最短路径平均长度(l)、距离分布(l_dist)	RE
拓扑结构	全局/局部聚类系数(GCC/ACC)、社区检测(CD)、模块度(Mod)、同配系数(Ass)	RE / NMI / ARI
中心性	特征向量中心性(EVC)	MAE

实现细节：
- 所有算法统一用 Python 重写并在相同环境下运行（Ubuntu + 16核CPU + 512GB内存）
- 每组实验重复10次取平均值以减少随机性影响
- 开源地址：https://github.com/dooohow/PGB

主要结果：核心发现、数据或图表描述

总体性能分析（Table VII）：
- TmF 表现最稳定且综合最佳：尤其在高隐私预算（ε ≥ 5）时，在多个数据集上取得最多“最优次数”。其优势源于对邻接矩阵使用高通滤波技术，有效保留结构信息。
- DGG 在小图或低隐私预算下表现突出：当 ε ≤ 1 时，在 Facebook、Wiki-Vote 等图上优于 TmF，因其仅依赖度信息建模，噪声控制更优。
- DP-dK 在特定任务中领先：在度分布（d_dist）和平均聚类系数（ACC）查询中表现优异，得益于平滑敏感性机制带来的更低噪声。
- PrivGraph 在社区相关查询中有潜力：在 Modularity 和 Eigenvector Centrality 上表现良好，说明利用社区结构有助于提升某些语义查询的准确性。
- 无单一最优算法：没有任何算法能在所有图、所有预算、所有查询中全面胜出。
具体查询分析（Table XII & Fig. 2）：
- TmF：在 V, E, d, Mod, Ass, EVC 查询中获胜次数最多（48/48, 48/48, …）
- DP-dK：在 d_dist 和 ACC 上显著优于其他方法
- PrivSKG：在 △, t_max, GCC 上表现最好
- PrivHRG：在 CD（社区检测）上排名第一
- DGG：在 der, l, l_dist 上表现较好
效率对比（Tables VIII–X）：
- 时间开销最小：DP-dK 和 DGG 最快（秒级）
- 时间开销最大：PrivSKG 极慢（数千秒），主因是计算平滑敏感性耗时巨大
- 内存最省：PrivGraph 和 PrivHRG 更适合稀疏图（空间复杂度 O(m+n)）
- 内存占用大：TmF 和 DP-dK 需要存储完整邻接矩阵（O(n²)）

主要贡献与创新点

首次提出系统性基准框架 PGB：明确识别并形式化了影响可比性的四大要素（M, G, P, U），为领域内公平评估奠定理论基础。
构建首个大规模可复现基准平台：实现了六种主流算法在多样化设置下的统一评测，总实验数超4万次，是迄今为止最全面的经验研究。
开源实现与开放平台：发布完整代码（GitHub）和交互式结果展示平台（https://pgb-result.github.io/），极大促进社区协作与新算法集成。
揭示关键洞察与实用指南：通过实证分析得出“无通用最优解”的结论，并总结各算法适用场景，帮助研究者按需选型。

潜在局限性或未来工作

当前仅支持 Edge CDP 和非属性图：未涵盖 Node DP 或带属性图（如顶点标签、边权重）的算法。未来可扩展至更多隐私定义和图类型。
未包含深度学习方法（如 GAN）：文中指出 DL 方法目标不同（兼顾特征生成）、评价任务也异（链接预测 vs 统计查询），故暂未纳入。未来可考虑构建跨范式的统一评估框架。
查询范围仍有拓展空间：目前主要关注传统图统计与结构特征，未来可加入子图模式挖掘、动态图演化等更复杂查询。
实际部署考量不足：未深入讨论分布式训练、流式更新、硬件加速等工程层面挑战，未来可结合系统优化进一步完善基准维度。

论文标题：PGLP Customizable and Rigorous Location Privacy through Policy Graph

论文信息

论文作者：
Yang Cao¹, Yonghui Xiao², Shun Takagi¹, Li Xiong², Masatoshi Yoshikawa¹, Yilin Shen³, Jinfei Liu², Hongxia Jin³, Xiaofeng Xu²
（¹京都大学；²埃默里大学；³三星美国研究院）
论文核心摘要：
本文提出了一种新的位置隐私保护模型——基于策略图的位置隐私（PGLP），通过引入可定制的“位置策略图”扩展差分隐私，实现对位置数据释放过程中的灵活且严格的隐私保障。该框架支持在真实对抗环境下检测并修复因用户移动模式先验知识导致的位置暴露风险，并构建了端到端的连续私有轨迹发布系统。实验证明所提方法在多个真实数据集上实现了更优的隐私-效用权衡。
研究背景与目的：
尽管已有大量关于位置隐私的研究，但现有模型要么缺乏严格性（如k-匿名类方法易受背景攻击），要么不够可定制（如传统差分隐私无法适配不同应用场景的需求）。为此，本文旨在解决以下三个挑战：
- 如何设计一个既严格又可定制的位置隐私度量标准？
- 如何在考虑对手掌握用户移动规律（如马尔可夫链建模）的情况下，确保任意给定的隐私策略可行？
- 如何实现高实用性的连续私有位置轨迹发布？

论文关键方法概述：

关键方法：
1. 策略图形式化定义（Location Policy Graph）：将可能的位置作为节点，边表示需满足不可区分性的两个位置之间应受到保护的关系。例如，“允许应用获取城市级位置但保证同一城市内各位置不可区分”可通过完全连接的城市子图表达。
2. PGLP隐私机制设计：基于差分隐私框架，提出了两种适用于任意策略图的机制：
  - 策略型拉普拉斯机制（P-LM）：使用图校准的ℓ¹敏感度来添加噪声。
  - 策略型平面各向同性机制（P-PIM）：基于K范数机制和凸包敏感度进行优化扰动。
3. 受限域下的策略图可行性分析：考虑到攻击者利用马尔可夫模型推断出用户的“约束域”（即当前可能所在位置集合），可能导致原策略图中某些节点被排除或断开，从而引出“孤立节点”概念。
4. 孤立节点检测与图修复算法：
  - 提出高效算法识别会导致位置泄露的“孤立节点”；
  - 设计最小化效用损失的图修复策略——选择新增边以最小化新敏感度凸包面积，从而减少所需噪声。
实验设计：
在Geolife、Gowalla和Peopleflow三个真实世界数据集上评估算法性能，随机选取20名用户、每条轨迹100个时间戳进行测试。
数据集：
- Geolife（北京四环内GPS轨迹，网格大小0.34×0.34 km²）
- Gowalla（洛杉矶签到数据，网格大小0.37×0.37 km²）
- Peopleflow（东京带POI语义标签的数据，网格大小0.27×0.27 km²）

主要结果：

机制比较（图6）：
P-PIM在所有策略图配置下均优于P-LM，因其能更精确地刻画二维空间中的敏感度结构，获得更低误差边界。
策略图调优效果（图7）：
不同任务的最佳策略图不同：
- 全局精度任务（Euclidean error）最优为$G_{k9}$（3×3区域全连通）；
- 区域一致性任务（$E_r$）最优为$G_{k25}$（5×5区域全连通），此时区域查询完全可用（$E_r = 0$）；
- POI类别任务（$E_{poi}$）最优为$G_{poi}$（同类POI间全连通），实现零语义误差。
图修复性能（图8）：
所提出的Algorithm 4比基线方法（连接最近邻）具有更高的效用（更低的平均距离误差），尽管计算开销略高。随着约束域增大，修复成本上升。
连续轨迹发布表现（图9–10）：
- P-PIM始终优于P-LM；
- 随着时间推移，由于约束域扩大，累积误差增加；
- Gowalla数据集效用优于Geolife，因其签到行为更具规律性，Markov模型预测更准确，导致约束域较小。

主要贡献与创新点：

首个支持可定制化的差分隐私位置保护框架：
提出PGLP，首次将Blowfish隐私的思想应用于单用户位置释放场景，通过策略图统一表达多样化的隐私需求。
现实对抗环境下的可行性保障机制：
揭示了当攻击者拥有移动模式知识时，原有策略图可能失效的问题，并提出“孤立节点”检测机制，填补了此前工作中忽略的时间相关推理风险空白。
高效的图修复与效用优化算法：
给出了基于凸包面积最小化的图修复方案，在保证隐私的同时最大化效用，且修复过程不消耗隐私预算。
完整的端到端轨迹发布框架：
整合HMM推理、孤立节点检测、图修复与扰动机制于一体，支持动态更新的连续发布，并给出组合隐私分析。

潜在局限性或未来工作：

策略图的设计依赖人工设定：
当前未提供自动化工具辅助定义最佳策略图，未来可探索面向具体应用（如疫情接触追踪）的策略推荐机制。
组合隐私界限较松：
定理7给出的是交集图上的线性叠加界，实际隐私泄露可能低于此上限，未来可研究 tighter composition bounds。
静态策略图假设：
当前框架中策略图是预设且固定的，未能随上下文动态调整（如白天与夜晚采用不同策略），这是值得拓展的方向。
未考虑多用户协同影响：
模型聚焦于单一用户轨迹，未来可扩展至群体移动数据分析中的联合隐私保护问题。
计算复杂度较高：
特别是在大规模地图和复杂策略图下，凸包运算和图修复耗时较长，有待进一步优化实现效率。

论文标题：Privacy Enhancement Via Dummy Points in the Shuffle Model

论文信息

论文作者：
Xiaochen Li, Weiran Liu, Hanwen Feng, Kunzhe Huang, Yuke Hu, Jinfei Liu, Kui Ren, Zhan Qin
论文核心摘要：
本文提出了一种名为 DUMP（基于虚拟点）的新框架，用于在 Shuffle 模型中进行隐私保护的直方图估计。该框架引入了“虚拟毯子”（dummy blanket）的概念——即用户端主动添加均匀随机生成的虚拟点来增强隐私性。通过这种方式，在不显著牺牲通信效率的前提下，实现了优于现有方法的实用性与隐私保障。文中实例化了两个协议：pureDUMP 和 mixDUMP，并进行了全面实验评估。结果显示，在相同隐私预算下，所提协议相较于所有已知多消息协议至少提升了三个数量级的通信效率；同时具有竞争力的准确性表现，而唯一比其更优准确性的协议则依赖于难以精确采样的分布，易受浮点攻击影响。
研究背景与目的：
差分隐私是当前统计分析敏感数据时广泛接受的标准。传统的本地差分隐私（LDP）因需对每个用户的原始数据直接加噪而导致效用损失严重。为此，shuffle 模型被提出以缓解这一问题：它利用一个独立第三方“混洗器”（shuffler），将来自多个用户的匿名化消息重新排序后再提交给分析者，从而打破身份与消息之间的关联，实现更强的隐私放大效应。然而，现有机制往往面临准确性和通信开销之间的权衡困境。本研究旨在设计一种高效且实用的方案，在保持低通信成本的同时进一步提升 shuffle 模型下的隐私-效用平衡。

论文关键方法概述：

核心思想： 提出“虚拟毯子”概念，允许用户在上传真实数据的同时附加若干随机生成的“虚拟点”，这些点经由 shuffler 打乱后形成一层额外的隐私保护层。
框架结构（DUMP）：
- 用户侧包含两部分处理流程：
  1. 数据随机化器（data randomizer）：可选用 GRR 等已有 LDP 技术；
  2. 虚拟点生成器（dummy-point generator）：按设定参数生成并发送 s 个从定义域中均匀抽取的虚拟值。
- Shuffler 收集所有用户的消息（含真实与虚拟点），执行完全随机排列。
- 分析者接收打乱后的消息集，采用去偏技术恢复频率估计结果。
具体协议实例：
- pureDUMP： 不使用任何数据随机化，仅靠虚拟点提供全部隐私保障。
- mixDUMP： 结合 GRR 进行初步数据扰动，再辅以少量虚拟点加强隐私。
数据集与实验设置：
- 使用合成数据集（不同规模的 k 和 n 组合）及真实世界数据集（IPUMS 人口普查数据、Movie Ratings 影评数据）进行验证。
- 对比对象包括 truncation-based、private-coin、public-coin、SOLH、correlated-noise 等主流 shuffle 协议。

主要结果：

通信效率显著提升： 在相同$(\epsilon, \delta)$隐私保证下，pureDUMP 和 mixDUMP 相较于其他多消息协议（如 correlated-noise、private-coin），每用户所需发送的消息数最少，尤其当用户数量较大时，平均额外负载接近于 1 条以内。
估计误差更低或具竞争力：
- pureDUMP 的均方误差（MSE）为$O(\log(1/\delta)/(\epsilon^2 n))$，独立于领域大小$k$，优于大多数单消息协议。
- 实验表明，pureDUMP 在多数情况下达到最佳精度，仅次于 correlated-noise，但后者通信开销高出约$10^3$倍以上。
- mixDUMP 因结合 GRR，虽略逊于 pureDUMP，但仍优于除 correlated-noise 外的所有协议。
理论与实证一致性高： 合成与真实数据上的 MSE 曲线与理论预测高度吻合，验证了解析模型的有效性。
灵活部署支持： 即使部分用户选择不发送虚拟点（如受限设备场景），系统仍能维持增强的隐私保障，只需适当调整$\gamma$参数即可。

主要贡献与创新点：

提出“虚拟毯子”新范式： 将传统“隐私毯子”（privacy blanket）中的被动噪声转化为用户主动注入的可控虚拟点，首次形式化地论证了此类构造的优势。
构建通用 DUMP 框架： 可兼容多种数据随机化机制，具备良好的扩展性与灵活性。
设计高效实用协议： pureDUMP 与 mixDUMP 实现了极高的通信效率与优良的估计精度，尤其适合大规模应用场景。
解决实现安全隐患： 所有操作基于离散整数采样，避免了连续分布（如负二项分布）带来的浮点运算漏洞风险，符合工业界安全实践标准。
提供直观解释工具： dummy blanket 概念有助于理解现有先进协议为何有效（如它们隐式产生了类似虚拟点的效果），为未来机制设计提供指导思路。

潜在局限性或未来工作：

当前仅适用于分类数据的频次估计任务，尚未拓展至数值求和、范围查询或其他复杂统计功能。
mixDUMP 的隐私边界推导存在双重放大上界松弛问题，导致其通信优势未能充分展现，未来需寻求更紧致的分析方法。
目前假设虚拟点服从均匀分布，探索非均匀或其他优化分布可能带来进一步性能增益。
未考虑恶意用户注入虚假虚拟点的风险，后续可研究鲁棒性防御机制。
实际部署中需权衡网络带宽与隐私需求，如何自适应调节$s$或$\gamma$是值得深入的方向。

综上所述，该论文通过引入简单而强大的“虚拟点”机制，在 shuffle 模型中实现了通信效率与数据效用的重大突破，兼具理论深度与工程价值，为下一代隐私保护数据分析系统提供了重要参考路径。

论文标题：Privacy Risks of Federated Knowledge Graph Embedding New Membership Inference Attacks and Personalized Differential Privacy Defense

论文信息

论文作者：
Yuke Hu（学生会员，IEEE）、Yang Wang、Jian Lou、Wei Liang、Ruofan Wu、Weiqiang Wang、Xiaochen Li（学生会员，IEEE）、Jinfei Liu（会员，IEEE）和 Zhan Qin。
论文核心摘要：
本文首次系统研究了联邦知识图谱嵌入（FKGE）中的隐私威胁，从攻击与防御两个角度展开。针对 FKGE 的特性，提出了五种新的成员推断攻击方法，成功推断出目标知识图谱三元组的存在性，揭示其潜在隐私漏洞。为应对这些威胁，提出了一种名为 PDP-FLames 的新型差分私有 FKGE 框架。该框架利用 FKGE 中实体绑定稀疏梯度的特性，结合先进的私有选择技术，在隐私与效用之间实现了更优权衡。此外，引入动态防御策略以适应训练过程中波动的隐私风险，并通过联合差分隐私保障个性化模型的安全性。实验表明，PDP-FLames 能有效降低攻击成功率，同时保持良好的模型性能。
研究背景与目的：
知识图谱嵌入（KGE）作为语义增强的重要工具，广泛应用于推荐系统、语义网等领域。然而，由于各机构维护的知识图谱往往不完整且受 GDPR 和 CCPA 等法规限制无法直接共享数据，联邦知识图谱嵌入（FKGE）应运而生，允许多方协作训练统一模型而不暴露原始敏感数据。尽管如此，现有研究表明联邦学习仍面临成员推断攻击等隐私威胁。然而，FKGE 是否存在类似风险及其具体形式尚未被深入探索。因此，本研究旨在解决两大问题：（1）FKGE 中客户端的敏感知识图谱数据在多大程度上可能被泄露？（2）如何设计具有严格隐私保证的防御机制来抵御此类攻击？

论文关键方法概述：关键方法、实验设计、数据集等

关键方法：
- 攻击方面： 提出了五类成员推断攻击：
  1. 服务器发起推断攻击（Server-initiated inference attack）：服务器利用辅助数据集和接收的实体嵌入矩阵推测关系及完整三元组。
  2. 客户端被动推断攻击（Client-initiated passive inference attack）：恶意客户端通过比较本地与全局嵌入差异识别受害者重叠实体并推断三元组。
  3. 客户端主动推断攻击（Client-initiated active inference attack）：恶意客户端主动修改自身嵌入以诱导受害者更新，从而观察分数变化进行判断。
  4. 共谋被动攻击（Collusive passive inference attack）：服务器与客户端合谋，由服务器提供精确的目标实体嵌入提升被动攻击效果。
  5. 共谋主动攻击（Collusive active inference attack）：服务器在广播阶段返回反转后的全局嵌入，更直接地诱导受害者梯度更新。
- 防御方面： 设计了 PDP-FLames 框架，包含三大核心技术：
  1. 基于稀疏梯度的私有选择机制：仅对活跃梯度元素添加噪声，避免非活跃参数引入过多噪声。
  2. 自适应隐私预算分配：根据验证准确率动态调整噪声规模，在早期加强防御，后期减少噪声以提高收敛性。
  3. 个性化建模与联合差分隐私（JDP）：每个客户端将全局模型与本地训练的小模型融合形成个性化模型，使用线性分类器加权组合，并通过 JDP 理论保障其隐私安全。
实验设计：
- 在多个客户端环境下评估不同攻击的有效性和防御机制的表现。
- 对比了多种 KGE 模型（TransE、RotatE、DistMult、ComplEx）在不同数据集上的攻击成功率和防御后效用损失。
- 进行消融实验验证各组件（如自适应预算、个性化）的作用。
数据集：
使用三个真实世界知识图谱基准数据集：
- FB15k-237：从 Freebase 提取的大规模子集，过滤逆向关系泄漏。
- NELL-995：来自 Never-Ending Language Learner 构建的网络知识库。
- FB13：另一个 Freebase 子集，侧重高频关系，避免长尾关系训练不足。

主要结果：核心发现、数据或图表描述

攻击有效性高（RQ1）：
- 表 IV 显示所有攻击在多个模型和数据集上平均 F1-score 超过 80%，证明 FKGE 存在严重隐私风险。
- 随着客户端数量增加，客户端发起的攻击（CIP/CIA）性能下降，因其依赖于计算受害者嵌入；而服务器相关攻击（SI/CP/CA）几乎不受影响。
- 图 3 展示攻击成功率随训练轮次变化：主动攻击在初期达到峰值后下降；被动攻击则逐渐上升趋于稳定。
防御显著降低攻击成功率（RQ2）：
- 图 4 和图 5 显示，在施加 PDP-FLames 后，各类攻击的 F1-score 大幅下降，尤其在较高隐私预算（ε 较小）时更为明显。
- 基线 DPSGD 方法虽然防御最强，但导致模型完全失效；PDP-FLames 在维持可用性的前提下实现有效防护。
良好平衡隐私与效用（RQ3）：
- 表 V 显示，在相同隐私预算下（如 ε=16），PDP-FLames 的 MRR 和 Hits@1/Hits@10 接近非私有 FKGE 模型，远优于基线 DPSGD 和其他变体。
- 图 6 可视化展示了“防御-效用”折衷曲线：PDP-FLames 在多数情况下提供最佳综合表现——既具备较强防御能力又保留较高模型效用。

主要贡献与创新点

首个全面分析 FKGE 隐私威胁的研究：首次系统探讨了 FKGE 场景下的成员推断攻击与防御，填补了该领域空白。
提出五种新型成员推断攻击：涵盖不同攻击者身份（服务器/客户端）、能力（被动/主动）及是否共谋，全面揭示 FKGE 的多维隐私脆弱性。
设计首个个性化的差分私有 FKGE 训练方案 PDP-FLames：
- 利用 FKGE 特有的“实体绑定稀疏梯度”性质，结合先进私有选择技术（Report-Noisy-Max with PTR），减少噪声注入范围，提升效用。
- 引入动态隐私预算分配机制，按需调节防御强度，优化训练过程。
- 实现个性化模型定制并通过联合差分隐私（JDP）保障其安全性，满足异构客户的需求。
严格的理论隐私分析：采用 Rényi 差分隐私（RDP）进行精细化隐私损失核算，并给出完整的端到端隐私保证证明。

潜在局限性或未来工作

攻击假设较强：部分攻击（如服务器发起攻击）依赖高质量辅助数据集，实际中可能难以获取。
个性化模型不可共享：由于个性化步骤涉及本地数据，最终个性化模型只能由客户端本地持有，不能用于跨机构服务共享。
扩展至更多场景：当前工作聚焦于静态知识图谱，未来可考虑时间演化图谱或动态拓扑结构下的隐私保护。
探索更高效的选择机制：尽管已使用先进私有选择技术，但在超大规模图谱上仍可能存在计算开销问题，未来可研究更轻量级算法。
对抗更强攻击者：目前未考虑拥有影子模型或学习型攻击者的高级威胁模型，未来可进一步测试 PDP-FLames 对此类复杂攻击的鲁棒性。

论文标题：Projected Federated Averaging with Heterogeneous Differential Privacy

论文信息

论文作者：
Junxu Liu（中国人民大学）、Jian Lou（西安电子科技大学）、Li Xiong（埃默里大学）、Jinfei Liu（浙江大学）、Xiaofeng Meng（中国人民大学）
论文核心摘要：
本文研究联邦学习（Federated Learning, FL）中异构差分隐私（Heterogeneous Differential Privacy, HDP）的问题，提出了一种名为投影联邦平均（Projected Federated Averaging, PFA）的新算法。该算法通过利用具有较高隐私预算（即“公开”客户端）的模型更新来提取其主导奇异子空间，并将来自低隐私预算（即“私有”客户端）的含噪更新投影到该子空间上，从而提升全局模型效用并降低噪声影响。进一步地，提出了通信高效的变体PFA+，允许“私有”客户端仅上传降维后的投影参数，在几乎不影响模型性能的前提下实现了超过99%的上行链路通信量减少。
研究背景与目的：
联邦学习允许多个参与方协作训练一个共享模型而无需直接共享本地敏感数据，因此被广泛用于医疗、金融等高隐私需求场景。然而，传统的联邦学习虽然避免了原始数据传输，但中间模型更新仍可能遭受成员推断攻击或梯度重构攻击。为此，已有工作引入差分隐私（DP），通过对模型更新添加噪声实现严格隐私保护。但现有方法通常假设所有客户端使用相同的隐私预算（uniform DP），这在现实中并不合理——不同机构因政策、法规或用户偏好差异，往往需要不同的隐私保护强度。
因此，本文旨在解决以下问题：如何在满足各客户端个性化隐私要求（异构DP）的同时，优化联合模型的效用并最小化通信开销？关键挑战在于如何有效利用高隐私预算客户端提供的高质量信息，而不使模型偏向这些客户端。

论文关键方法概述：关键方法、实验设计、数据集等

关键方法：
1. 异构差分隐私定义（FL-HDP）：首次形式化定义联邦学习中的异构差分隐私，允许每个客户端设置独立的$(\epsilon_m, \delta_m)$隐私预算。
2. 加权平均法（WeiAvg）：作为基线方法，根据客户端的隐私预算分配聚合权重，隐私预算越大权重越高。
3. 投影联邦平均（PFA）：核心创新。服务器端从“公开”客户端的模型更新中计算出前$k$个主奇异向量构成的子空间$V_k$，然后将“私有”客户端的更新投影到该子空间以去除噪声方向的信息，再进行加权平均聚合。
4. PFA+（通信高效版本）：改进版PFA，允许“私有”客户端在本地就将模型更新投影到前一轮由“公共”客户端生成的子空间后再上传，大幅压缩上传数据维度。
实验设计：
- 对比方法包括：标准FedAvg、非私有FedAvg（NP-FedAvg）、最小机制（Minimum，取最严隐私预算）、最大机制（Maximum）、WeiAvg、PFA 和 PFA+。
- 测试设置涵盖IID与非IID数据分布、多种模型结构（逻辑回归、CNN、深度网络）、不同客户端数量（M=20~50）以及五种隐私预算分布（如混合高斯分布MixGauss）。
- 使用矩会计法（Moments Accountant）精确追踪每个客户端的累积隐私损失，确保满足各自的目标隐私预算后停止参与训练。
数据集：
- MNIST（手写数字识别）
- Fashion-MNIST（服装图像分类）
- CIFAR-10（自然图像分类）
- IMDb电影评论情感分析

主要结果：核心发现、数据或图表描述

模型效用显著提升：
- 在多个数据集和设置下，PFA 和 PFA+ 均明显优于标准FedAvg和Minimum机制。例如，在MNIST-CNN任务中，当隐私预算差异大时（如MixGauss1），FedAvg准确率接近随机猜测（约10%），而PFA可达70%以上。
- PFA+的测试精度与PFA非常接近，说明延迟使用的投影矩阵对最终性能影响极小。
通信成本极大降低：
- 图7显示，在M=50、5个“公开”客户端和45个“私有”客户端的情况下：
  - 对于逻辑回归模型，PFA+总上传量为12MB，其他方法为113MB；
  - 对于CNN模型，PFA+为40MB，其他为377MB。
- 实现了针对“私有”客户端高达99%的上行通信压缩，整体通信量减少约90%。
投影有效性验证：
- 图6表明，使用“公开”客户端提取的子空间进行投影的效果远优于随机投影（Random Projection）。即使只保留第一维（k=1），也能获得良好性能，证明梯度确实集中在低维子空间内。
收敛性保障：
- 理论分析（定理3）表明，在相同假设下，PFA的收敛速率与非私有的FedAvg一致，说明所提方法不会牺牲收敛速度。

主要贡献与创新点

首次形式化“联邦学习中异构差分隐私”问题（FL-HDP），更贴合实际应用场景中机构间隐私偏好的多样性。
提出PFA算法，创造性地利用“公开”客户端的模型更新构建低维有用信息子空间，并用于净化“私有”客户端的噪声更新，实现效用增强。
设计PFA+通信优化方案，通过让“私有”客户端上传投影后的小尺寸更新，实现极致通信压缩（>99%），特别适用于带宽受限环境。
提供完整的隐私保证证明（满足FL-HDP及整体$(\max \epsilon_m, \max \delta_m)$-DP）和收敛性理论分析，增强了方法的可信度。
开源代码和实验复现性强，涵盖多领域真实数据集与典型模型。

潜在局限性或未来工作

局限性：
1. 子空间划分依赖启发式聚类（如k-means或手动设定阈值），缺乏自适应选择“公开/私有”的统一准则。
2. 投影维度$k$需人工调参，尽管实验发现$k=1$即可取得不错效果，但仍需进一步自动化。
3. 当前方法假设服务器是半可信的，未考虑恶意服务器下的安全问题。
4. 在高度非IID数据分布下，性能增益有所下降（见图8），说明对数据异质性的鲁棒性仍有提升空间。
未来工作方向（文中提及）：
1. 加强理论分析，进一步解释为何低秩投影能有效去噪。
2. 将本方法扩展至个性化联邦学习（Personalized FL），使每个机构不仅能拥有定制化隐私保护，还能获得个性化的本地模型。
3. 探索更智能的“私有”客户端识别机制，平衡通信节省与模型性能之间的权衡。

论文标题： Quantifying and Defending against Privacy Threats on Federated Knowledge Graph Embedding

论文信息

论文作者：
- YuKe Hu（浙江大学）
- Wei Liang（浙江大学）
- Ruofan Wu（蚂蚁集团）
- Kai Xiao（蚂蚁集团）
- Weiqiang Wang（蚂蚁集团）
- Xiaochen Li（浙江大学）
- Jinfei Liu（浙江大学）
- Zhan Qin（浙江大学，通讯作者）
论文核心摘要：
本文首次对联邦知识图谱嵌入（Federated Knowledge Graph Embedding, FKGE）中的隐私威胁进行了系统性研究。作者提出了三种新的成员推断攻击（Membership Inference Attacks, MIAs），能够成功推断出目标三元组是否存在于客户端的知识图谱中，揭示了FKGE存在严重隐私泄露风险。为应对该问题，论文提出了一种新型差分隐私保护机制——DP-FLames，其通过利用FKGE特有的“实体绑定稀疏梯度”特性，并结合私有选择技术，实现了更优的隐私-效用权衡。实验表明，所提防御方法可将攻击成功率从平均83.1%降至59.4%，同时仅带来轻微的模型性能下降。
研究背景与目的：
知识图谱嵌入（KGE）是支持推荐系统、语义搜索等下游任务的基础技术。由于各机构拥有的知识图谱通常不完整且敏感，无法直接共享，因此联邦学习框架下的KGE（即FKGE）被提出以实现跨组织协作训练，而无需交换原始数据。然而，尽管不共享原始图谱，仅交换模型参数仍可能导致隐私泄露（如通过梯度反推训练数据）。虽然此类问题在联邦神经网络中已有研究，但在FKGE场景下尚未深入探索。本文旨在回答两个关键问题：
- Q1： FKGE中存在多大程度的隐私泄露风险？
- Q2： 如何在保证严格隐私保障的前提下有效防御这些攻击？

论文关键方法概述

攻击方法（Attack）

针对FKGE设计了三种新型成员推断攻击，覆盖不同攻击者设定：

攻击类型	身份	能力	是否需要辅助数据
AsI（Server-initiate Inference）	服务器	被动	是 ✅
AcIP（Client-initiate Passive）	客户端	被动	否 ❌
AcIA（Client-initiate Active）	客户端	主动	否 ❌

AsI（服务器发起攻击）：
利用辅助知识库（如Wikipedia）和接收的实体嵌入，重构关系嵌入并聚类识别真实关系，再结合辅助数据匹配具体三元组。
AcIP（客户端被动攻击）：
“好奇但诚实”的客户端比较本地上传与全局返回的嵌入差异，识别重叠实体，利用本地关系信息近似目标三元组得分进行判断。
AcIA（客户端主动攻击）：
恶意客户端故意修改自身尾实体嵌入，观察后续全局更新中目标三元组分数的变化比率来判断其是否存在。

防御方法（Defense）——DP-FLames

提出首个面向FKGE的严格差分隐私保护机制 DP-FLames（Differentially Private Federated knowLedge graph embedding with private selection），主要创新包括：

私有活跃梯度元素选择机制（Private Active Gradient Selection）：
- 利用FKGE中每条三元组仅影响头尾实体嵌入的“实体绑定稀疏梯度”特性。
- 使用基于Report-Noisy-Max与Propose-Test-Release（PTR）的技术，在满足差分隐私前提下筛选出需扰动的活跃梯度位置，避免对大量零梯度添加噪声。
自适应隐私预算分配策略：
实验发现攻击强度随训练轮次动态变化（初期高，后期低），因此采用验证集性能监控机制，初始设置较大噪声系数，当模型收敛趋势稳定后逐步降低噪声，提升最终效用。
紧致隐私核算器（Tight Privacy Accountant）：
结合Rényi差分隐私（RDP）与子采样放大效应，精确追踪整个训练过程中的累积隐私损失，优于传统方法。

主要结果

攻击有效性（RQ1）：
- 在FB15k-237和NELL-995两个真实数据集上测试，所有攻击均取得较高F1-score。
- 表2显示最高F1-score可达 0.9023（AsI on NELL-995 + TransE），多数超过0.8，表明FKGE存在显著隐私风险。
- 不同攻击在不同模型上表现各异：
  - AsI 对 TransE/RotatE 效果好（因其关系可加性便于聚类），对 DistMult/ComplEx 效果差；
  - AcIA 在早期攻击最强，随训练收敛而减弱。
防御效果（RQ2）：
- 图4显示，引入DP-FLames后，各类攻击的F1-score显著下降。
- 平均而言，攻击成功率由 83.1% 降至 59.4%，说明防御有效。
隐私-效用权衡（RQ3）：
- 表3对比了不同方法下的模型效用（MRR、Hits@1、Hits@10）：
  - 基线DPSGD导致效用急剧下降（如MRR从0.36降至0.12），不可接受；
  - DP-FLames 显著优于基线，尤其在更高隐私预算（ε=32）下接近非隐私模型性能；
  - 引入自适应预算分配的 DP-FLames-Adp 进一步提升了实用性，在多数情况下保持MRR在0.3以上。
综合权衡图示（图5）：
- DP-FLames 和 DP-FLames-Adp 在“防御强度 vs. 模型效用”曲线上明显优于基线，验证了其优越的隐私-效用平衡能力。

主要贡献与创新点

首个对FKGE隐私威胁的全面研究：
第一次从攻防双重视角系统分析FKGE的隐私脆弱性，填补领域空白。
定制化攻击方案：
提出三种适用于FKGE特性的新成员推断攻击，涵盖服务器/客户端、主动/被动、有无辅助数据等多种现实威胁模型。
创新性防御机制 DP-FLames：
- 首个为FKGE量身打造的严格差分隐私框架；
- 利用“实体绑定稀疏梯度”属性，设计私有选择机制减少噪声开销；
- 采用先进PTR技术实现紧致隐私核算；
- 提出自适应隐私预算分配策略，动态调整防御力度。
严谨理论分析与广泛实验验证：
- 提供完整的RDP隐私证明；
- 在多个真实KG数据集和主流KGE模型上验证有效性。

潜在局限性或未来工作

攻击依赖特定假设：
- AsI 需要高质量辅助知识库，若无法获取则受限；
- AcIA 要求能操控局部嵌入，可能被检测或限制；
- 所有攻击目前集中在重叠实体上，未来可扩展至非重叠实体场景。
防御计算开销未详述：
私有选择机制虽提升效用，但增加了额外计算步骤（排序、Gumbel噪声注入、PTR测试等），实际部署时需评估效率影响。
负采样策略改进空间：
当前为保持梯度稀疏性改用完全随机负样本，可能损害语义质量；未来可通过差分隐私合成技术生成有意义负样本。
collusion 场景未充分建模：
若服务器与某客户端共谋，则攻击能力将进一步增强（见附录H.1），当前防御未专门考虑此更强威胁模型。
长期隐私累积风险：
尽管使用RDP进行精细核算，但连续交互仍可能导致隐私预算快速耗尽，未来可探索更高效的隐私放大机制或周期性重启策略。

✅ 总结：本论文在联邦知识图谱嵌入的隐私安全方向做出了奠基性贡献，不仅揭示了严重的隐私风险，还提出了兼具理论严谨性与实用性的防御方案，推动了可信AI在结构化数据联合学习中的发展。

论文标题：Reliable and Private Utility Signaling for Data Markets

论文信息

论文作者：
Li Peng, Jiayao Zhang, Yihang Wu, Weiran Liu, Jinfei Liu*, Zheng Yan, Kui Ren, Lei Zhang, Lin Qu
论文核心摘要：
本文提出了一种可靠且私密的效用信号机制（utility signaling），用于解决数据市场中因数据可自由复制而导致的传统信号方法在隐私与可靠性之间的两难困境。该机制通过恶意安全的多方计算（MPC）保障信号计算过程中的隐私性和鲁棒性，并引入基于MPC的哈希验证方案以确保输入数据的真实性。此外，在多卖方场景下，进一步优化了基于MPC的KNN-Shapley值计算方法，提升了公平估值效率。实验表明所提方法兼具高效性与实用性。
研究背景与目的：
数据市场促进了高质量数据集的交易与共享，但买卖双方在交易前往往缺乏对数据真实价值的认知，导致“低价出售”或“买家后悔”等问题。传统信号方式如廉价交谈（cheap talk）无法验证真伪，而昂贵信号（costly signaling）则会泄露原始数据，违背数据经济原则（Arrow信息悖论）。因此，亟需一种既保证信号真实性又保护数据隐私的机制。本研究旨在构建一个无需可信第三方（non-TCP-based）的信号系统，实现可靠且私密的数据效用评估，从而促进更高效的决策和交易。

论文关键方法概述：关键方法、实验设计、数据集等

关键方法：
1. 形式化定义理想信号机制 M：明确其应具备两个核心属性——预购买隐私性（Pre-purchase Privacy）和可靠性（Reliability），即不泄露任何一方数据的前提下，输出真实的效用信号。
2. 分解可靠性为两个子目标：
  - 计算鲁棒性（Robustness of Computation, RoC）：采用恶意安全多方计算（MS-MPC）防止参与方篡改中间计算结果；
  - 输入认证性（Authentication of Input, AoI）：提出两种哈希验证协议来确保卖方输入的是承诺过的原始数据。
    - 严格保证型：基于 Merkle-Damgård 构造的完整哈希链验证；
    - 近似高效型：结合 Merkle 哈希树（MHT）与随机抽样挑战的轻量级验证协议，可在常数时间内完成。
3. 支持公平分配的 KNN-Shapley 方法优化：
  - 针对多卖方场景，采用 KNN-Shapley 值进行公平收益分配；
  - 利用基于基数排序（Radix Sort）的秘密共享置换生成算法替代传统的双调排序（Bitonic Sort），显著降低排序开销；
  - 在距离计算中省略平方根操作以提升性能。
实验设计：
- 实验平台：基于开源 MPC 框架 MP-SPDZ 实现所有协议；
- 网络环境模拟：局域网条件（带宽 2.5Gbps，RTT 0.25ms）；
- 参与方设置：三卖方一买方的四方安全计算模型；
- 安全模型：主要采用恶意安全（maliciously secure）模式。
数据集：
- 合成数据集：用于细粒度效率分析，特征维度固定为10，记录数量从$2^8$到$2^{16}$不等；
- 真实数据集：
  - Wisconsin Breast Cancer (BCW) 数据集：用于决策树（DT）任务测试；
  - MNIST 手写数字数据集：用于逻辑回归（LR）和神经网络（NN）任务测试；
- 测试集比例统一设为 20%。

主要结果：核心发现、数据或图表描述

理论层面的主要结果：
- Theorem 2 & 4：当实际效用高于预期时，卖方可获得更高收益；当低于预期时，买方可避免亏损交易。总体上，该机制能有效防止次优决策，提升社会福利。
- Theorem 6：即使仅买家获知效用信号，也能显著提高其真实收益并保证非负回报。
实验层面的核心发现：
- 哈希验证效率对比（图7）：
  - Merkle-Damgård 方案（MD）运行时间随数据规模线性增长（最大达数百秒）；
  - 近似采样方案（AP）几乎保持恒定执行时间（如 AP-(0.01,0.99) 在一分钟内完成任意大小数据验证），通信开销极低。
- 不同压缩函数性能比较（表1）：
  - 使用 MPC-友好的 LowMC 替代 AES/SHA 系列，吞吐量提升至少 2.29 倍；
  - LowMC 在 AND 门数量上远少于标准哈希函数，更适合 MPC 场景。
- 完整信号协议性能（表3）：
  - FullPto（含全部保护）中，哈希验证开销占比在使用 AP 协议后降至最低 0.01%，远优于 MD 版本（最高占 99.9%）；
  - 各任务中，模型推理类任务（MPV）耗时最长，集合交集类任务（PM/CRE）相对较快。
- KNN-Shapley 性能提升（图9a）：
  - 相比未优化基线，本文优化版本在$2^{14}$数据规模下提速达 21.5倍；
  - 加速效果随数据列数增加更加明显。
- 与其他机器学习任务对比（表5）：
  - 在相同 MPC 设置下，KNN-Shapley 比 DT 快约 10.2倍，比 NN 快约 2.2倍，展现出卓越的实用性。

主要贡献与创新点

首次提出并实现了非可信第三方下的可靠且私密的效用信号机制：
- 明确区分并同时解决了信号机制中的“隐私”与“可靠性”双重需求；
- 提出将可靠性拆解为 RoC 和 AoI 两个可独立处理的技术路径。
设计高效的 MPC-based 哈希验证协议：
- 提出基于 Merkle 哈希树与随机抽样的近似验证方案（AP），实现可调节的安全-效率权衡；
- 支持常数级验证开销，适用于大规模数据场景。
优化 MPC 环境下的 KNN-Shapley 计算：
- 引入 Radix 排序基础的秘密共享置换生成方法，取代传统 Bitonic 排序，大幅降低复杂度；
- 是首个在无 TCP 设定下实现高效、公平多卖方效用分配的工作。
全面实证验证了系统的可行性与优越性：
- 在多个典型机器学习任务上展示了高准确率（如 MNIST 上 NN 达 97.57%）；
- 多组对照实验清晰揭示了各项技术组件的性能影响。

潜在局限性或未来工作

买方输入完整性未完全覆盖：
- 当前假设买方出于自身利益会诚实提供测试数据；
- 若恶意买方提交低质量测试集诱导低价成交，则难以防御；
- 作者指出未来需探索动态买方情境下的双向输入验证机制。
Shapley 方法局限于 KNN 模型：
- 虽然 KNN-Shapley 已被证明具有代表性与高精度，但仍属于代理模型；
- 尚未支持任意机器学习任务的隐私保护精确 Shapley 值计算；
- 未来方向是开发通用型隐私保护 Shapley 计算框架。
实际部署依赖高性能 MPC 基础设施：
- 当前实验基于理想化局域网环境，广域网延迟可能影响交互式协议表现；
- 对 MPC 底层技术（如通信轮次、AND 门优化）仍有较强依赖，有待进一步工程优化。
激励兼容性未深入建模：
- 虽然分析了理性参与者的行为，但未构建完整的博弈论模型来确保策略真实性；
- 未来可结合机制设计理论增强协议的战略稳健性。

论文标题：Secure Similarity Queries: Enabling Precision Medicine with Privacy

论文信息

论文作者：
Jinfei Liu 和 Li Xiong（埃默里大学数学与计算机科学系，美国亚特兰大）
论文核心摘要：
本文探讨了精准医疗背景下基于隐私保护的相似性查询技术。精准医疗强调个体化治疗，其关键在于通过相似患者的数据为新患者制定个性化治疗方案。然而，这种对敏感医疗数据的访问和查询带来了严重的隐私风险。为此，本文首先介绍了精准医疗计划的背景，回顾了现有的安全k近邻（kNN）查询方法，并提出了一类新的安全天际线（skyline）查询问题。文章进一步总结了实现安全skyline查询所面临的技术挑战，并探讨了潜在的加密解决方案。
研究背景与目的：
随着电子健康记录（EHR）、基因组学、蛋白质组学及可穿戴设备收集的个人健康数据激增，利用这些多维度信息进行个性化疾病预防和治疗成为可能。一个核心任务是“相似患者搜索”——即根据患者的年龄、性别、生理指标等特征查找最相似的历史病例以辅助决策。但将此类高度敏感的数据外包至云服务器时，如何在不泄露数据和查询内容的前提下完成有效检索，成为一个亟待解决的问题。因此，本研究旨在探索既能保障数据与查询隐私，又能支持高效相似性查询的安全计算框架，推动隐私保护下的精准医疗发展。

论文关键方法概述：

关键方法：
- 回顾并分析现有安全kNN查询方案，包括基于同态加密（如Paillier体制）、不对称标量积保持加密、安全Voronoi图、私有信息检索（PIR）以及混淆电路（SMC）等技术。
- 提出一种新型查询类型——安全skyline查询，适用于用户无法预定义属性权重的场景，避免因主观加权导致的信息偏差。
- 在安全模型中采用双服务器架构：一个云服务器处理加密数据（C1），另一个持有解密密钥（C2），确保单一服务器无法获取完整信息。
- 使用Paillier同态加密系统实现加密域中的距离计算、比较操作和乘法运算。
- 探索使用隐向量加密（Hidden Vector Encryption, HVE）来判断记录间的支配关系，从而在保护隐私的同时执行skyline计算。
实验设计与假设：
- 假设数据拥有者（如医院）使用公钥加密整个数据库后将其外包给不可信的云服务器。
- 医生客户端也使用相同公钥加密查询请求发送至云端。
- 查询过程无需客户端持续参与，最终结果仅由授权方解密获得。
- 安全目标包括：保护原始数据、查询内容以及查询结果（即哪些记录属于skyline）均不被云服务器知晓。
数据集：
- 使用来自UCI机器学习库的心脏病数据集作为示例（见表1），包含5个患者样本，涉及年龄、性别、胸痛类型、血压、胆固醇、最大心率等多个属性。

主要结果：

核心发现：
- 当前大多数安全kNN方案存在若干缺陷：部分易受选择明文攻击（CPA），有的返回过多结果影响效率，有些依赖特定硬件或需要客户端深度参与计算。
- 最实用且满足多项安全需求的方案是由Elmehdwi等人提出的协议[8]，但仍需迭代k次才能得到kNN结果，且会暴露数值相等性信息。
- 对于缺乏明确属性权重的应用场景，传统的kNN不再适用，而skyline查询能提供更全面的候选集。例如，在示例中，尽管p2和p5不是欧氏距离最近的两个点，但由于它们在多个维度上优于其他点，构成了skyline集合。
- Skyline查询的安全实现比kNN更具挑战性，因其涉及所有患者对之间的动态支配关系判断，中间状态更多，输出规模不确定，难以固定计算流程。
图表描述：
- 表1展示了心脏疾病数据集的一个小样本，用于说明相似性查询的实际应用场景。
- 表2对比了已有安全kNN工作的隐私保障能力（数据隐私、查询隐私）及其技术特点与漏洞。
- 图1描绘了加密环境下相似性查询的整体架构：医生发送加密查询，医院提供加密数据库，云服务器处理并在不暴露敏感信息的情况下返回加密结果。

主要贡献与创新点：

引入安全skyline查询概念：首次明确提出将skyline查询应用于隐私保护的精准医疗场景，填补了该领域的研究空白。
构建实际可行的安全模型：提出基于双服务器架构的安全查询框架，允许数据拥有者完全退出后续计算，提升实用性。
系统性挑战分析：深入剖析了从kNN到skyline迁移过程中带来的新挑战，如多维联合比较、非固定输出大小、更高的信息泄露风险等。
前瞻性技术建议：提出将HVE等高级密码原语应用于skyline支配关系判定，为未来研究指明方向。

潜在局限性或未来工作：

当前局限性：
- 论文主要停留在问题定义与挑战分析阶段，尚未提出完整的安全skyline查询算法或原型系统。
- 所提方案依赖于理想化的双服务器模型，现实中部署两个互不串通的服务器可能存在困难。
- 同态加密与HVE的计算开销较大，可能导致查询延迟高，难以应对大规模临床数据库的实时需求。
- 未考虑动态更新机制（如新增病人记录），现有方案多针对静态数据集。
未来工作建议：
- 设计高效的端到端安全skyline查询协议，结合同态加密与HVE等技术，实现在加密数据上的快速支配关系识别。
- 开发轻量化加密策略或近似算法，在保证足够安全性的同时降低计算与通信成本。
- 研究支持数据动态插入/删除的安全索引结构，适应真实医疗系统的长期运行需求。
- 进行真实世界数据验证，评估不同加密方案在精度、性能与安全性之间的权衡。
- 探索联邦学习与安全多方计算相结合的混合范式，减少对外包服务器的信任依赖。

论文标题： Secure and Efficient Skyline Queries on Encrypted Data

论文信息

论文作者：
Jinfei Liu（Emory University），Juncheng Yang（Emory University），Li Xiong（Emory University），Jian Pei（Simon Fraser University）
论文核心摘要：
本文研究了在加密数据上执行安全且高效的天际线查询（skyline query）的问题。为保护隐私，敏感数据被加密后外包至云服务器，而云端需直接对密文执行复杂查询操作而不泄露任何关于原始数据、查询条件或结果的信息。为此，作者提出了一种基于半同态加密（Paillier 加密系统）的全安全天际线查询协议，并引入一个关键子协议——安全支配（secure dominance）协议，用于判断两个元组之间的支配关系。此外，还提出了两种优化策略：数据分区（data partitioning） 和 延迟合并（lazy merging），以降低计算开销。最后，实现了串行与并行版本的原型系统，并通过实验验证了方案的有效性和可扩展性。
研究背景与目的：
随着云计算的发展，将数据和计算任务外包给云服务成为趋势。然而，医疗记录等敏感数据面临严重的隐私风险。传统方法依赖完全同态加密（FHE），但其高昂的计算成本难以实用；可信硬件（如SGX）虽有潜力，但仍存在安全隐患。因此，本文聚焦于如何在保证语义安全性（semantic security）的前提下，在加密数据上支持复杂的多准则决策查询——天际线查询。该查询广泛应用于个性化推荐、疾病诊断辅助等领域，因其无需预设属性权重即可返回所有“帕累托最优”记录，具有重要现实意义。目标是设计一个既安全又高效、客户端参与最小化的解决方案。

论文关键方法概述

加密机制：采用 Paillier 公钥加密系统，具备加法同态性，允许在密文上进行加法和明文乘法运算，适合处理数值型属性的距离计算。
安全模型：假设两个非共谋的云服务器$C_1$和$C_2$，其中$C_1$持有加密数据和查询，$C_2$持有私钥。采用半诚实敌手模型（semi-honest model），即双方遵循协议流程但试图从交互中推断额外信息。
核心算法框架：
- 基于动态天际线定义，先将原始数据映射到以查询点为原点的新空间（使用平方距离函数便于同态计算）。
- 使用迭代算法：每次找出属性和最小的元组作为候选天际线点，删除被其支配的所有其他元组，重复直至集合为空。
关键技术组件：
- 安全比较子协议（SLEQ, SEQ, SLESS）：实现密文上的小于等于、等于、小于等布尔比较。
- 安全支配协议（SDOM）：结合多个维度的安全比较，判断一个元组是否支配另一个。
- 安全最小值选择（SMIN）：在不暴露具体数值的情况下选出属性和最小的元组。
隐私保护机制：
- 在全安全协议中，引入顺序保持扰动（order-preserving perturbation） 解决多个元组属性和相同时的选择难题。
- 使用随机化与置换技术隐藏中间结果，防止服务器推断出哪些元组被选中或被删除。
优化策略：
- 数据分区（Data Partitioning）：将大数据集划分为若干子集并行处理，再逐层合并结果，适用于大规模数据。
- 延迟合并（Lazy Merging）：推迟合并操作直到积累足够数量的结果，减少不必要的合并次数和计算量。

主要结果

正确性保障：所提协议能准确返回正确的天际线查询结果，经过形式化安全分析证明满足语义安全要求。
性能表现（基于实验评估）：
- 时间成本随元组数$n$和维度$m$近似线性增长，符合理论复杂度分析。
- 安全开销显著：全安全协议（FSSP）比基础协议（BSSP）慢约一个数量级，主要来自频繁的加密/解密通信。
- 密钥长度$K$影响明显：随着$K$增大（如从256增至2048），运行时间呈指数上升趋势。
优化效果：
- 数据分区显著提升效率，尤其当分区数接近理论最优时（例如在三维数据中，每分区约64个点时达到最佳平衡）。
- 延迟合并有效减少了小规模分区下的冗余合并操作，进一步节省计算资源。
并行加速：
- 在本地多线程环境下，最多4线程时接近线性加速；
- 在64节点集群上处理6.5万条数据时也表现出良好扩展性，尽管数据量较小时出现亚线性加速现象。

主要贡献与创新点

首次提出语义安全下的加密天际线查询方案：填补了现有研究空白，此前尚无针对此类复杂查询的安全协议。
构建通用安全支配协议（SDOM）：该协议不仅服务于天际线查询，还可作为反向天际线、k-带天际线等其他高级查询的基础模块。
设计全安全协议避免信息泄露：相比基础协议会暴露中间结果（如哪个元组被选中、谁支配谁），全安全版本通过扰动、随机化和置换彻底隐藏这些间接模式，真正实现“零知识”计算。
提出两项实用优化技术：
- 数据分区：实现分治与并行化，大幅提升可扩展性。
- 延迟合并：智能调度合并时机，避免过早合并带来的高开销。
完整实现与实证验证：提供了串行与并行实现代码，涵盖真实（NBA球员数据）与合成数据集测试，充分展示了方案的实际可行性。

潜在局限性或未来工作

通信开销较大：当前协议依赖$C_1$与$C_2$之间频繁的消息交换，尤其是在安全比较和支配判断过程中，限制了整体性能。未来可探索优化通信轮次或压缩传输内容的方法。
仅限于半诚实模型：未考虑恶意攻击者可能偏离协议的行为。虽然可通过零知识证明等手段升级至恶意模型，但这将进一步增加计算负担。
依赖双服务器架构：需要两个非共谋云服务商协作，增加了部署复杂性和信任假设。若能设计单服务器场景下的安全变体，将更具普适性。
适用范围有限：目前主要针对数值型属性的欧式空间距离计算，对于类别属性或多模态数据的支持有待拓展。
未来方向建议：
- 优化通信复杂度，减少跨服务器调用次数。
- 探索更高效的同态加密方案或混合加密架构（如同态+秘密共享）。
- 将本框架推广至更多类型的相似性查询（如top-k、范围查询）。
- 结合差分隐私机制，提供更强的整体隐私保障。

论文标题： Secure Skyline Queries on Cloud Platform

论文信息

论文作者：
Jinfei Liu*, Juncheng Yang*, Li Xiong*, Jian Pei¹
*Emory University, ¹Simon Fraser University
论文核心摘要：
本文研究了在云平台上对加密数据执行安全天际线（skyline）查询的问题。为应对数据外包带来的隐私风险，作者提出了一种基于半同态加密（Paillier）的完全安全的天际线查询协议。该方案利用两个非共谋的云服务器，在不泄露原始数据、查询内容及中间结果的前提下完成查询处理。作为关键技术子程序，文中还提出了一个可复用的安全支配（dominance）判断协议。作者实现了串行与并行版本的系统，并通过实验验证了其效率和可扩展性。
研究背景与目的：
随着云计算的发展，越来越多的数据被外包至云端进行存储与计算。然而，医疗记录等敏感数据需要防止云服务器和其他未授权用户访问。传统做法是将数据加密后上传，但如何在密文上高效且安全地支持复杂查询成为挑战。本文聚焦于“天际线查询”这一重要多准则决策工具，旨在解决其在加密数据上的安全执行问题——即让云服务器能够在不解密的情况下正确返回结果，同时无法获得任何关于数据、查询或结果的信息。

论文关键方法概述

加密机制： 使用具备加法同态性的 Paillier 加密体制，允许在密文上进行有限形式的数学运算（如加法和标量乘法），从而实现对加密数据的基本操作。
安全模型： 采用半诚实敌手模型（semi-honest adversary model），假设两方云服务器（C1 和 C2）遵循协议流程，但可能试图从通信中推断额外信息；并假设两者不会共谋。
系统架构设计：
- C1（主计算节点）：持有所有加密数据$E_{pk}(P)$和客户端发送的加密查询$E_{pk}(q)$。
- C2（辅助解密节点）：持有私钥$sk$，协助完成某些需解密才能进行的操作（如比较、最小值选择），但不直接接触明文数据本身。
- 客户端仅负责发起查询和接收最终解密后的结果，无需参与中间计算。
关键子协议构建模块：
- Secure Multiplication (SM)：基于Paillier的加法同态性实现密文间的乘法。
- Secure Bit Decomposition (SBD)：将加密数值分解为其二进制位表示。
- Secure Comparison (SLEQ/SLESS/SEQ)：实现密文之间的大小比较和相等性检测。
- Secure Minimum (SMIN)：找出一组加密数中的最小值。
核心算法流程：
1. 预处理阶段（Algorithm 3）： 将原始数据点映射到以查询点$q$为原点的新空间中，计算每个维度的距离平方$(p_i[j] - q[j])^2$并加密。
2. 迭代查找天际线点：
  - 找出当前集合中属性和最小的元组（作为候选skyline）；
  - 判断其他元组是否被此元组支配；
  - 移除被支配的元组；
  - 重复直至无剩余元组。
数据集：
- 合成数据集：独立分布（INDE）、相关分布（CORR）、反相关分布（ANTI）；
- 实际数据集：NBA球员表现数据（含 PTS, REB, AST, STL, BLK 五个属性）。

主要结果

基本安全协议 vs 全安全协议对比：
- 基本协议（BSSP） 虽然高效，但在选择最小和元组和删除被支配元组时会暴露中间信息（如哪个元组是skyline，哪些元组被支配），违反了“数据模式隐私”和“结果隐私”要求。
- 全安全协议（FSSP） 通过引入以下技术彻底消除信息泄露：
  - 顺序保持扰动（Order-Preserving Perturbation）：给每个属性和添加唯一的低位标识符，确保即使原始和相同，扰动后也唯一，避免泄露重复情况。
  - 随机化与置换（Randomization & Permutation）：在最小值选取过程中加入随机噪声并对顺序打乱，使C2无法得知哪一个是真正的最小项。
  - 标记代替删除（Flagging Instead of Deletion）：不真正删除被支配元组，而是将其属性和设为最大值（MAX），使其后续不再被选中，从而隐藏删除行为。
性能实验结果（Figure 4–8）：
- 时间随元组数量$n$增长呈近似线性增长（Figure 4），符合理论复杂度分析。
- 时间随维度$m$增长也呈近似线性增长（Figure 5），因每维都需要比较。
- 时间随密钥长度$K$增大显著上升（近乎指数级）（Figure 6），体现更强安全性带来的计算代价。
- 通信开销占比高：在总耗时中，通信时间约占三分之二，表明网络延迟是瓶颈之一（Figure 7）。
- 并行优化效果显著：
  - 多线程实现比串行快约 6倍；
  - 分布式版本在大规模数据下表现出良好可扩展性，处理时间随机器数增加呈亚线性增长（Figure 8）。
实际可行性验证：
- 即使在数千条记录和多个维度下，FSSP 的运行时间仍在可接受范围内（秒级至数十秒），证明了方案的实际可用性。

主要贡献与创新点

首次提出语义安全下的全安全天际线查询协议：不同于以往依赖弱加密（如保序加密）的方法，本文基于标准Paillier加密，提供更强的安全保障。
提出通用的“安全支配”协议（SDOM）：
可用于判断两个加密元组之间是否存在支配关系，不仅服务于天际线查询，还可拓展至反向天际线、k-带天际线等多种变体查询，具有良好的模块化价值。
设计真正“全安全”的协议架构：
不仅保护原始数据和查询隐私，更进一步防止中间信息泄露（如支配关系、重复值、结果身份），满足严格的数据模式隐私要求。
完整的工程实现与性能评估：
提供了串行与并行两种实现方式，并在真实和合成数据集上进行了系统测试，全面展示了方案的效率、可扩展性和实用性。
提出实用技巧提升安全性：
- 使用距离平方替代绝对值以简化同态计算；
- 引入顺序保持扰动解决多最小值问题；
- 采用标记机制替代显式删除，增强隐私保护。

潜在局限性或未来工作

依赖双服务器非共谋假设：虽然合理，但仍存在潜在风险。若能设计单服务器模型下的解决方案（如结合可信硬件 SGX），将进一步提升适用性。
较高的通信开销：实验显示通信时间占比较大，未来可通过压缩传输数据、减少交互轮次等方式优化。
计算复杂度仍较高：尽管优于全同态加密，但对于超大规模数据集（百万级以上），响应时间仍可能较长。可探索近似算法或索引结构来加速。
未考虑动态更新场景：当前协议针对静态数据集。未来可研究支持加密状态下的插入、删除操作的动态维护机制。
安全性局限于半诚实模型：未来可借助零知识证明等技术扩展至恶意敌手模型，提升鲁棒性。
应用范围限制：目前主要适用于数值型属性的天际线查询。对于类别型或混合类型数据的支持有待拓展。

总结：本文在云环境下安全查询领域做出了实质性推进，首次实现了基于强加密体制的全安全天际线查询系统。其提出的协议兼具理论严谨性与实践可行性，为后续研究提供了坚实基础和技术范本。

论文标题：Self-Propagation Graph Neural Network for Recommendation

论文信息

论文作者：
Wenhui Yu, Xiao Lin, Jinfei Liu, Junfeng Ge, Wenwu Ou, Zheng Qin
论文核心摘要：
本文针对推荐系统中图神经网络（GNN）存在的传播机制缺陷提出了一种新的自传播图神经网络（SGNN）。现有GNN在稀疏的用户-物品交互图上传播嵌入时存在两个主要问题：一是由于观察到的链接稀疏，导致传播无效且有偏；二是传播权重依赖于节点度数等粗粒度预定义规则，缺乏数据驱动的灵活性。为解决这些问题，作者提出通过补全原始图并学习一个密集、数据驱动的传播矩阵来改进传播过程。该方法利用三种方式构建传播图：基于推荐模型、谱聚类特征和预测嵌入本身。为了降低存储和计算开销，传播矩阵被分解为低秩形式进行维护。实验证明SGNN在多个真实数据集上显著优于当前最先进的GNN模型。
研究背景与目的：
在推荐任务中，用户偏好通常通过建模用户-物品交互图中的节点表示（即嵌入）来学习。GNN因其能有效利用图结构信息而广泛应用于推荐系统，通过将邻居节点的信息聚合到目标节点以优化其表示。然而，现实场景下的交互图极度稀疏，大多数潜在连接未被观测到，这使得传统GNN的多跳传播效率低下且产生偏差——远距离传播过程中嵌入信号迅速衰减，导致重要但未直接连接的项目影响力被低估。此外，传统的传播权重仅由节点度决定，忽略了不同边的实际语义差异。因此，本文旨在设计一种更高效、无偏、数据驱动的传播机制，提升GNN在推荐任务中的表现。

论文关键方法概述：关键方法、实验设计、数据集等

关键方法：
1. 自传播机制（Self-Propagation）： 不再使用原始稀疏图作为传播工具，而是构建一个“完成”的密集图用于嵌入传播。传播矩阵$P$不再是固定的归一化邻接矩阵，而是从数据中学得的节点间相似性矩阵。
2. 传播矩阵因式分解： 由于完整图的传播矩阵规模大且稠密，直接操作代价高昂，故采用低秩分解$P = \eta F F^\top$，其中$F$是“传播嵌入”（propagation embeddings），从而避免显式构造$P$，大幅减少时间和空间复杂度。
3. 三种传播图构建策略：
  - SGNN_RM： 基于推荐模型（如MF）预测缺失链接，用作传播依据；
  - SGNN_SF： 使用谱聚类得到的前K个特征向量作为传播嵌入；
  - SGNN_PE： 直接使用模型输出的预测嵌入$E$作为传播嵌入$F$。
4. 多层传播结构： 沿用LightGCN的简洁架构，去除变换矩阵、激活函数和非线性聚合，每层更新公式为： $E^{(l)} = \tanh(\eta F (F^\top E^{(l-1)}))$ 最终表示通过各层加权和组合而成。
实验设计：
- 对比模型包括：MF、GCMC、NGCF、LightGCN、LCFN 及 SGNN 的三个变体。
- 使用标准隐式反馈评估协议，采用 BPR 损失训练。
- 超参数通过网格搜索在验证集上调优。
- 性能指标为 Top-K 推荐下的 F1-score@K 和 NDCG@K。
数据集：
- Amazon Electronics (5-core)：电子商品评分数据，过滤后含 20,247 用户、11,589 物品、347,393 条交互，稀疏度高达 99.85%。
- MovieLens-1M：电影评分数据，过滤后含 6,022 用户、3,043 物品、995,154 条交互，稀疏度为 94.57%。
- 额外使用更大的 MovieLens-10M 数据集用于效率测试。

主要结果：核心发现、数据或图表描述

性能对比（Table 3）：
- 在 Amazon 数据集上，SGNN 相较于最佳基线 LightGCN 提升显著：
  - F1-score@2 提升 11.43%
  - NDCG@2 提升 10.18%
- 在 Movielens 上也取得稳定领先：
  - F1-score@2 提升 4.44%
  - NDCG@2 提升 2.72%
- 所有提升均通过 t-test 验证为统计显著（p < 0.01）
变体比较（Table 2）：
- 三种 SGNN 变体中，SGNN_SF（基于谱特征）表现最优。
- 分析表明，原因在于谱特征更能捕捉图结构信息，而端到端联合训练（RM 和 PE）反而难以收敛。
超参数影响（Fig. 4）：
- 随着嵌入维度$K_1$增加，所有模型性能上升，SGNN 在$K_1=128$达到峰值。
- 传播嵌入维度$K_2$同样正相关，但敏感性较低。
- 层数$L$增加时，SGNN 和 LightGCN 表现持续提升，说明长距离传播有效。
效率分析（Fig. 5）：
- 在大规模 MovieLens-Large 数据集上，SGNN 的单次迭代耗时略高于 LightGCN，但仍处于可接受范围。
- 尽管训练成本略有增加，但预测性能显著提升，体现了良好的性价比。

主要贡献与创新点

提出“自传播”思想： 首次明确提出将图本身既是学习目标又是传播工具的理念，通过学习一个完整的传播图替代原始稀疏图，实现更全面、无偏的信息流动。
数据驱动的传播权重： 改变了传统 GNN 中基于节点度的固定传播权重模式，使每条边的传播强度由数据决定，更具表达力。
支持潜在邻居传播： 允许嵌入不仅传给已观察邻居，还能传给潜在邻居（missing links），缓解了稀疏性带来的信息丢失问题。
高效的低秩实现方案： 通过矩阵分解避免显式处理大型稠密传播矩阵，在保持高表达能力的同时控制了计算资源消耗。
系统性的传播图构建方法探索： 提出了三种不同的传播图生成路径，并通过实验验证了谱特征方法的有效性。

潜在局限性或未来工作

局限性：
1. 传播图静态性（SGNN_SF）： 基于谱聚类的方法虽然有效，但其传播嵌入是预先计算并固定的，无法在训练过程中动态调整，限制了模型适应能力。
2. 端到端训练困难： 实验显示 SGNN_RM 和 SGNN_PE（联合学习传播图）效果不如两步法，说明如何稳定地联合优化表示学习与传播结构仍具挑战。
3. 可解释性不足： 虽然传播更全面，但传播矩阵来源于黑箱学习或谱分析，缺乏对具体传播路径的直观解释。
4. 扩展性瓶颈： 尽管进行了低秩分解，但在超大规模图（如亿级节点）上仍可能面临内存压力。
未来工作（文中提及）：
1. 融合辅助信息： 引入社交网络（social network）和知识图谱（knowledge graph）作为监督信号，进一步增强用户-用户、物品-物品之间的传播关系。
2. 传播多模态特征： 将文本评论、图像视觉等特征纳入传播流程，实现跨模态信息扩散。
3. 动态传播机制： 探索可在训练中动态演化的传播图，而非固定或预设结构。

✅ 注：本解读严格基于所提供 PDF 内容，未引入外部知识。代码已开源：https://github.com/Wenhui-Yu/LCFN。

论文标题： Shapley Value Estimation based on Differential Matrix

论文信息

论文作者：
- Junyuan Pang（浙江大学）
- Jian Pei（杜克大学）
- Haocheng Xia（伊利诺伊大学厄巴纳-香槟分校）
- Xiang Li（浙江大学）
- Jinfei Liu（浙江大学，通讯作者）
论文核心摘要：
本文提出了一种基于差分矩阵（Differential Matrix）的新方法来估计合作博弈中的Shapley值。与传统直接估计每个玩家Shapley值的方法不同，该方法首先估计所有玩家之间Shapley值的成对差异，构建一个差分矩阵，然后通过最小二乘优化从该矩阵中推导出最终的Shapley值。为了高效估计差分矩阵，作者设计了蒙特卡洛采样算法，并进一步提出了两种分层蒙特卡洛方法以降低方差。实验结果表明，所提方法在真实和合成数据集上均优于现有方法。
研究背景与目的：
Shapley值是衡量合作博弈中参与者贡献的公平指标，在数据定价、特征选择、模型解释等领域广泛应用。然而，其精确计算为#P难问题，尤其在大规模场景下不可行。已有研究主要采用蒙特卡洛方法直接估计各参与者的Shapley值。

本研究旨在探索一种新范式——利用Shapley值之间的约束关系（即“效率性”公理：总和等于整体效用），通过估计相对差异而非绝对值，从而减少估计方差并提升精度。

论文关键方法概述

核心思想：
利用Shapley值满足的“效率性”性质（∑SV_i = U(N)），将问题转化为估计两两之间的差值 ΔSV_{i,j} = SV_i − SV_j，再通过优化方式恢复原始值。
关键技术：
1. 差分矩阵定义：构造 n×n 矩阵，其中元素 ΔSV_{i,j} 表示第 i 和 j 个玩家Shapley值之差。
  - 满足反对称性（ΔSV_{i,j} = −ΔSV_{j,i}）、零对角线、三角恒等式。
2. 最小二乘求解：通过求解如下最优化问题重建Shapley值： $\min_{\mathbf{SV}} \sum_{i<j} (SV_i - SV_j - \Delta \widehat{SV}_{i,j})^2 \quad \text{s.t.} \sum_i SV_i = U(N)$ 得到闭式解（定理4.3）。
3. 差分矩阵估计算法：
  - Algorithm 1（Diff）：基于效用函数的非分层蒙特卡洛估计。
  - Algorithm 2（S-Diff）：引入按联盟大小（coalition size）进行分层的采样策略。
  - Algorithm 3（S-Diff+）：使用预采样估算各层方差，实现近似最优样本分配的分层方法。
  - Algorithm 4 & 5（Diff- / S-Diff-）：仅估计第一行差分（部分矩阵），用于对比验证全矩阵优势。
数据集与实验设置：
- 合作博弈任务：
  - 投票游戏（Voting Game, n=51）
  - 机场游戏（Airport Game, n=500）
- 数据估值任务：
  - Iris分类任务（n=100）
  - 乳腺癌分类任务（n=600）
- 基准方法对比：
  - MC [8]（经典蒙特卡洛）
  - GELS [37]（基于效用）
  - CC [72]（互补贡献）
  - KernelSHAP [44]
  - PairedSHAP [13]

主要结果

有效性（Accuracy）：
图1–3展示了均误差、RMSE和最大误差随样本数变化的趋势：
- 所有基于差分矩阵的方法（特别是 S-Diff 和 S-Diff+）在四种任务上均显著优于基线方法。
- 使用完整差分矩阵的方法（Diff, S-Diff）优于只使用部分信息的方法（Diff-, S-Diff-），验证了更充分的信息融合能带来更低方差（支持定理6.1）。
- 在数据估值任务中，S-Diff+达到相同RMSE所需的样本量最少。
效率（Efficiency）：
图4显示达到目标RMSE所需时间：
- 在简单效用计算的合作博弈中，由于额外更新开销，新方法略慢于MC/CC。
- 但在机器学习训练耗时的数据估值任务中，因单次模型训练可复用于多个差值估计，S-Diff 和 S-Diff+ 明显更快，体现出更高的采样利用率。
可扩展性（Scalability）：
图6显示随着玩家数量增加（最高至2000）：
- Diff- 和 S-Diff- 因空间复杂度较低（O(n) 或 O(n²)），表现良好。
- S-Diff 和 S-Diff+ 虽然精度高，但因需存储 O(n³) 的中间状态，在超大规模可能面临内存瓶颈。
参数敏感性分析（minit）：
图5表明：用于估计方差分布的初始样本数 minit 对性能影响较小；过大的 minit 反而可能导致主阶段样本不足，轻微增加误差。

主要贡献与创新点

提出“差分矩阵”新概念：首次系统地将Shapley值估计问题转化为对其成对差异的估计，充分利用其内在约束（效率性），从而降低估计方差。
理论驱动的优化框架：基于最小二乘法从差分矩阵重建Shapley值，提供闭式解，具有坚实的数学基础。
高效的采样算法族：
- 提出基于效用的差分估计公式（定理5.1），允许多个差值共享一次效用评估。
- 引入分层采样（stratified sampling）并推导最优样本分配策略（定理5.8, 5.9），进一步减小方差。
全面的实证验证：在多种典型应用场景中验证了方法的有效性和效率，且理论分析（如定理6.3、6.4）证明其期望误差不高于现有先进方法。

潜在局限性或未来工作

空间复杂度较高：
完整差分矩阵需维护 O(n²) 的统计量，而分层版本（S-Diff, S-Diff+）甚至需要 O(n³) 存储，在超大规模应用（如百万级数据点）中可能受限。
依赖效用函数可访问性：
方法要求能够灵活计算任意子集 S 的效用 U(S)，对于某些只能黑箱调用或代价极高的模型可能存在挑战。
未考虑结构先验：
当前方法假设无先验知识，若存在特征相关性或图结构等信息，未来可结合图正则化或贝叶斯建模改进差分估计。
动态环境适应性：
文中未涉及数据流或增量学习场景下的Shapley值更新，如何快速调整差分矩阵是一个值得探索的方向。
实际部署权衡建议：
论文暗示可在资源充足时用 S-Diff+ 追求最高精度，在资源受限时用 Diff- 实现轻量高效，但缺乏自动化切换机制的设计。

✅ 总结：本文开创性地从“估计差异”角度重构Shapley值计算流程，理论严谨、方法新颖、实验充分，为高精度Shapley值估计提供了新的有效路径。

论文标题： ShapleyFL: Robust Federated Learning Based on Shapley Value

论文信息

论文作者：
Qiheng Sun, Xiang Li, Jiayao Zhang, Li Xiong, Weiran Liu, Jinfei Liu, Zhan Qin, Kui Ren
（单位包括浙江大学、埃默里大学、阿里巴巴集团、杭州全球科技创新中心）
论文核心摘要：
联邦学习（Federated Learning, FL）允许多个客户端在不共享原始数据的前提下协作训练全局模型，从而保护数据隐私。然而，由于本地数据不可见且通常是非独立同分布（Non-IID）、存在恶意客户端发送污染更新等问题，导致训练过程鲁棒性差。本文提出一种基于Shapley值的自适应加权机制——ShapleyFL，通过将每轮训练视为合作博弈来评估客户端贡献，并据此动态调整其聚合权重以提升鲁棒性。此外，还提出了基于重要性采样的客户端选择策略以降低通信开销，并设计了一种高效的Shapley值近似计算方法减少服务器端的计算成本。实验表明该方法在多个真实数据集上显著提升了联邦学习在各种攻击和异构场景下的性能。
研究背景与目的：
- 问题动机：
  尽管联邦学习有效缓解了数据隐私问题，但其面临三大挑战：
  1. 数据异质性（Non-IID）：不同客户端的数据分布差异大，影响模型收敛；
  2. 恶意攻击风险：部分客户端可能使用损坏标签、噪声数据或直接篡改梯度进行“中毒攻击”；
  3. 通信与计算成本高：传统方法如全量参与或频繁重训练难以扩展到大规模系统。
- 现有方案不足：
  - 均匀加权或按数据量加权忽略客户端的实际贡献差异；
  - 多数鲁棒聚合方法（如Krum、几何中位数）依赖统计假设，在高比例恶意节点或共谋攻击下失效；
  - 缺乏对客户端价值的公平量化机制。
- 研究目标：
  设计一个既能抵抗多种攻击、又能兼顾通信效率和计算可行性的鲁棒联邦学习框架。

论文关键方法概述

关键方法：
- 自适应加权机制（Surrogate Federated Shapley Value, SFSV）：
  提出“代理联邦Shapley值”作为客户端权重，结合历史多轮中的边际贡献估算每个客户端的整体影响力。定义如下三个层次的概念：
  - Partial Federated SV：单轮内子集合作带来的性能增益；
  - Normalized Partial Federated SV：归一化处理消除轮次间尺度差异；
  - Surrogate Federated SV：递归更新形式，融合历史信息并控制时效性参数$\beta$。
- 客户端重要性采样（Client-Importance Sampling）：
  受重要性采样启发，优化客户端选择概率$p_i$，使其与当前估计的权重成正比，最小化全局更新估计器的方差，从而加快收敛速度。
- 高效Shapley值差分估计法（DMC算法）：
  直接计算Shapley值复杂度为#P-hard。为此，提出先估计Shapley值之间的差值（因方差更小），再从中推导出归一化的Shapley值，大幅降低计算负担。
实验设计：
- 实现两种变体：
  - AFedSV：基础版本，采用均匀采样；
  - AFedSV+：增强版，引入重要性采样。
- 对比基线包括：FedAvg、FedProx、FedSV、S-FedAvg、RFA等主流鲁棒FL算法。
- 攻击设置涵盖五类典型威胁：长尾分布、开放集标签噪声、闭合集标签翻转、数据噪声注入、梯度毒化攻击。
数据集：
- 图像分类任务：CIFAR-10 和 Fashion-MNIST，人工构造Non-IID划分（每客户仅含1–2个连续类别）；
- 医疗诊断任务：真实跨机构医疗数据集 Fed-ISIC2019，用于皮肤癌图像识别，共6家医院参与。

主要结果

图像分类任务表现（CIFAR-10 和 Fashion-MNIST）：
- 在所有五种攻击场景下，AFedSV+ 显著优于所有基线方法。
- 在CIFAR-10上的平均准确率相比最优基线 RFA 提升达11.0%，相比FedAvg最高提升 8.1%。
- 特别是在“开放集标签噪声”设置中，AFedSV+ 达到 58.22% 准确率，远超FedProx（40.7%）和S-FedAvg（52.5%），说明其能有效抑制无关/污染数据的影响。
- AFedSV+ 比 AFedSV 收敛更快、精度更高，验证了重要性采样的有效性。
医疗诊断任务表现（Fed-ISIC2019）：
- 在仅有6个客户端的真实医疗环境中模拟梯度攻击（2个恶意节点）。
- AFedSV 平均准确率达到 64.24%，相比FedAvg提升 25.1%，相比RFA提升 13.7%，优于FedSV（提升4.4%）。
- 误差条较小，表明所提方法对恶意客户端的选择更具稳定性，体现其强鲁棒性和抗波动能力。
Shapley值估计效率验证（Appendix B.5）：
- 使用均方误差（MSE）衡量近似精度，比较MC、TMC与提出的DMC算法。
- 结果显示，DMC在相同样本数下 MSE 最低，尤其在小样本时优势明显（例如在CIFAR上采样80次时，DMC的MSE仅为MC的1/4）。
- 表明所提差分估计策略可更高效地逼近真实Shapley值。

主要贡献与创新点

首次将联邦学习建模为序列合作博弈问题：
创新性地将每一轮联邦训练看作一次合作博弈，利用Shapley值理论衡量各客户端的边际贡献，实现对客户端影响力的公平评估。
提出“代理联邦Shapley值”（SFSV）动态加权机制：
不需重新训练模型即可在线估算Shapley值，支持实时调整聚合权重，增强模型鲁棒性，适用于任意模型结构和攻击类型。
通信优化：基于重要性采样的客户端选择策略：
从理论上证明最优采样概率应与客户端权重正相关，并给出解析解，显著降低全局更新方差，提升收敛速度。
计算优化：基于差分的Shapley值高效估计算法（DMC）：
发现Shapley值之差比其本身具有更小方差，据此设计低方差估计路径，避免暴力枚举，极大减轻服务器计算压力。
完整理论分析支持：
提供非凸设定下的收敛性分析，证明算法达到与最先进方法相当的收敛速率；同时首次给出自适应联邦学习的稳定性边界分析，填补领域空白。

潜在局限性或未来工作

局限性：
- 依赖全局验证集： 方法需要一个公共验证集$D_v$来评估模型性能变化，这在某些完全去中心化或隐私极度敏感的场景中可能不可行。
- 初始化敏感性： 权重更新受初始值和$\beta$参数影响较大，虽实验确定$\beta=0.3$较优，但仍缺乏自动调参机制。
- 小规模客户端场景收益有限： 如Fed-ISIC2019仅6个客户端，无法充分体现重要性采样的优势（因几乎全部参与）。
- 未考虑客户端资源异质性： 客户端设备算力、带宽差异未被纳入采样策略中，可能影响实际部署效果。
未来工作方向：
- 探索无需验证集的替代效用函数，如基于局部损失变化或梯度一致性指标；
- 引入元学习或强化学习来自适应调节$\beta$和其他超参数；
- 扩展至纵向联邦或异步联邦学习架构；
- 结合差分隐私进一步增强整体系统的安全防护能力；
- 开发轻量化边缘端Shapley值估算模块，推动完全分布式实现。

✅ 总结：本论文系统性地解决了联邦学习中的鲁棒性、通信效率与计算可行性三重挑战，提出了一套理论扎实、工程实用的新范式，是Shapley值应用于联邦学习公平评估与防御机制的重要推进。

论文标题：Shapley Value Approximation Based on Complementary Contribution

论文信息

论文作者：
Qiheng Sun, Jiayao Zhang, Jinfei Liu, Li Xiong, Jian Pei, Kui Ren
论文核心摘要：
本文提出了一种基于“互补贡献”（complementary contribution）的Shapley值近似计算方法，旨在解决传统方法中因需评估大量联盟效用而导致的高计算成本问题。通过将采样策略重构为分层采样问题，并引入Neyman分配优化样本分布，该方法显著提升了估计效率。此外，文章还扩展了动态场景下的Shapley值更新机制，能够在玩家加入或退出时高效地调整估值，而无需从头重新计算。
研究背景与目的：
Shapley值是合作博弈论中用于公平分配收益的核心指标，在机器学习模型解释、数据定价等领域有广泛应用。然而其精确计算属于#P难问题，传统蒙特卡洛方法需要大量采样才能获得高质量近似，尤其当效用函数评估代价高昂时（如训练大型模型），效率低下成为主要瓶颈。
本研究旨在设计一种更高效的Shapley值近似算法，核心问题是：能否通过智能采样策略大幅减少所需样本数量？为此，作者提出利用“互补贡献”的新视角，使单次效用评估可用于多个参与者的估值更新，从而提升采样利用率。

论文关键方法概述

关键方法：
1. 互补贡献定义（Complementary Contribution）：
  定义联盟$S$的互补贡献为$CC(S) = U(S) - U(N \setminus S)$，即联盟与其补集之间的效用差。
2. 基于互补贡献的Shapley值公式重构：
  证明Shapley值可表示为所有包含玩家$z_i$的联盟$S \cup \{z_i\}$对应的加权互补贡献期望。
3. 分层采样与Neyman分配：
  将不同规模的联盟按大小分层，采用Neyman分配原则决定各层采样数，以最小化估计方差。
4. 动态Shapley值更新：
  在新增或删除玩家时，不直接重算整个Shapley值，而是估算其变化量$\Delta SV$，并结合原值快速得到新值。
实验设计：
- 使用四种测试任务验证性能：
  1. 投票游戏（Voting Game）
  2. 机场游戏（Airport Game）
  3. 最小生成树游戏（Minimum Spanning Tree Game）
  4. 数据估值任务（Data Valuation Task）
- 动态设置下使用Adult和Bank数据集模拟数据增删。
数据集：
- 合成数据集：用于构建上述三种合作博弈场景。
- 真实数据集：
  - Breast Cancer Wisconsin（用于静态数据估值）
  - Adult 和 Bank（用于动态数据估值）

主要结果

有效性（Accuracy）：
- 图1和图2显示，所提方法 CC 和 CCN 在相同样本量下平均误差率和最大误差率均显著低于基线方法（MC、MCN、MCH）。
- CCN（引入Neyman分配）比 CC 更优，说明优化采样分配进一步提高了精度。
- 在动态设置中（图3、图4），DCC 和 DCCN 明显优于 DMC，且收敛更快。
效率（Efficiency）：
- 图5表明，在达到相同误差阈值（≤10%）时，CC/CCN 所需时间远少于其他方法，尤其在大规模玩家情况下优势明显。
- 图6显示动态算法也能在较短时间内完成更新。
- 表2和表3显示内存消耗稳定，不受算法影响，主要开销来自SVM模型训练。
可扩展性：
- 图7和图8展示了在更大规模数据上的表现，CC/CCN 在高达10,000个玩家的情况下仍能保持低变异系数和合理运行时间，表现出良好可扩展性。

主要贡献与创新点

首次提出“互补贡献”作为Shapley值近似的采样单元：
一个互补贡献$CC(S)$可被所有$z_i \in S$和$z_j \notin S$的玩家共享用于Shapley值估计，极大提升了单次效用评估的利用率。
理论保障与偏差分析：
提供了无偏性证明（Theorem 3）以及误差界分析（Theorem 4），表明该方法具有良好的统计性质。
引入Neyman最优分配提升采样效率：
在分层采样框架下，依据各层方差自适应分配样本，实现方差最小化，提高估计质量。
支持动态玩家变更的高效更新机制：
首次将互补贡献思想应用于动态场景，通过估计Shapley值的变化量$\Delta SV$实现快速更新，适用于GDPR等要求数据随时删除的实际应用。
通用性强、模型无关：
方法适用于任意效用函数形式，不限定具体应用场景。

潜在局限性或未来工作

局限性：
1. 假设效用函数不变： 方法依赖于效用函数在整个过程中保持一致，若模型结构频繁变化，则难以适用。
2. 仅适用于小规模变动： 当大多数玩家发生改变时，建议重新计算而非增量更新。
3. 初始阶段仍需一定采样量： 虽然总体效率高，但第一阶段仍需足够样本估计各层方差以进行Neyman分配。
未来工作方向（文中提及）：
1. 如何在已知效用函数分布的前提下加速Shapley值计算；
2. 当某些联盟的效用不确定时，如何公平地计算Shapley值。

✅ 总结：本文是一项在Shapley值近似领域的重要进展，提出了全新的“互补贡献”采样范式，不仅在理论上严谨，在实验中也展现出卓越的效率与准确性，特别适合数据市场、联邦学习等需频繁评估个体贡献的现实场景。

论文信息

论文作者：
Yuran Bi*, Jinfei Liu¹, Chen Zhao*, Junyi Zhao*, Kui Ren*, Li Xiong†
（*浙江大学；¹浙大杭州全球科技创新中心；†埃默里大学）
论文核心摘要：
随着数据驱动智能的普及，以数据产品为核心的新型数据市场正成为促进数据流通和商业化的重要范式。本文提出 Share ——首个基于 三阶段 Stackelberg-Nash 博弈模型 的需求驱动型激励数据市场框架，实现对数据与数据产品的绝对定价机制。该框架建模了买方（buyer）、中介（broker）与多个卖方（sellers）之间的交易动态，通过博弈论优化各方利润，并自然解决卖家选择问题。为求解均衡，作者定义了“Stackelberg-Nash 均衡”并采用逆向归纳法进行推导；对于内层纳什博弈，除传统直接求导外，还提出一种具有理论误差保证的均值场近似方法，适用于复杂场景。在真实与合成数据集上的实验验证了 Share 在有效性与效率方面的优越表现。
研究背景与目的：
当前大量高质量数据分散于不同来源，供需之间存在显著鸿沟。尽管数据丰富，但其价值远未被充分挖掘。数据市场被视为连接供需双方、推动数据商品化的关键路径。然而，现有研究多关注单一目标（如买家效用最大化或社会福利），缺乏能同时满足三方（买方、中介、卖方）自利行为下利润最大化的机制设计。此外，现实中的数据交易常由买方发起（如福特咨询麦肯锡获取购车偏好），呈现“买方→中介→卖方”的顺序流程，而现有模型难以适配此类需求驱动型市场流。因此，本研究旨在构建一个能够：
- 实现绝对定价（而非相对贡献分配）
- 支持买-中-卖三级顺序决策
- 自动完成优质数据提供者的竞争性筛选
  的统一激励机制，从而激活多方参与的数据生态。

论文关键方法概述：关键方法、实验设计、数据集等

核心方法：
提出 三阶段 Stackelberg-Nash 博弈模型（Three-Stage Stackelberg-Nash Game）作为市场机制基础：
1. 第一阶段（领导者）：买方宣布所需数据产品及其愿意支付的价格$p^M$。
2. 第二阶段（子领导者）：中介根据买方报价决定向各卖方采购数据的单价$p^P$。
3. 第三阶段（跟随者）：所有卖方同时决定所提供数据的质量（保真度$T_i$），形成一个纳什博弈，通过质量竞争争取更多销售份额。
均衡求解策略：
- 定义 Stackelberg-Nash 均衡（SNE）：在此策略组合下，任何一方单方面改变策略都无法提升自身收益。
- 使用 逆向归纳法（Backward Induction）求解均衡：
  - 先求解第三阶段卖方间的纳什均衡（得到最优$T_i^*$关于$p^P$的表达式）
  - 再代入第二阶段求解中介的最优定价$p^{P*}$
  - 最后代入第一阶段求解买方最优出价$p^{M*}$
创新性求解技术：
- 对于卖方纳什博弈，当损失函数形式复杂导致无法解析求解时，提出 均值场近似方法（Mean-Field Approximation），将多玩家耦合系统简化为个体与群体平均状态交互的问题，并给出误差界分析。
实验设计：
- 构建端到端交易模拟流程（见 Algorithm 1），集成均衡计算、数据购买、隐私保护处理、产品制造与权重更新。
- 比较不同机制下的关键指标：各方利润、社会福利、产品质量、运行时间。
- 进行参数敏感性分析，探究买方对数据质量敏感度、卖家隐私成本等因素的影响。
数据集：
- 真实数据集：Combined Cycle Power Plant (CCPP)，含9,568条记录，用于训练线性回归模型作为数据产品。
- 合成数据集：通过对 CCPP 复制并添加高斯噪声生成百万级规模数据，用于测试算法可扩展性。

主要结果：核心发现、数据或图表描述

图2(a)-(c) 显示，在均衡点处，买方、中介与代表性卖方（S1）的利润均达到峰值，且偏离该策略将导致利润下降，证明了 Stackelberg-Nash 均衡的有效性与各方利润最大化的实现。
图2(d) 表明：
- 社会福利可达理论最优值的 96%以上，说明机制整体高效。
- 数据产品质量随卖家数量增加而提升，体现数据汇聚的价值。
- 尽管自私行为导致次优结果，但仍显著优于基线。
表 II（Nash vs. Random/Average） 对比结果显示：
- 采用纳什博弈进行卖方选择时，产品品质（$q^M$: 6.38 vs ~2.02）、三方利润及社会福利（96% vs 90%）全面优于随机选择或平均分配策略。
- 验证了“卖方间良性竞争”不仅能提升自身收益，也能反哺上层参与者，增强整个市场的激励相容性。
图3(a)-(b) 效率测试表明：
- 即使在万级卖家规模下，算法仍可在合理时间内完成（约几十秒至百秒级）。
- 若省略Shapley值权重更新步骤，运行时间呈线性增长，具备良好可扩展性。
图4 参数影响分析 发现：
- 买方对数据质量越敏感（$p_1$越大），越能激励高质量数据供给，直至饱和。
- 高权重卖家（$w_i$大）更可能被选中，体现历史信誉的重要性。
- 高隐私敏感卖家（$\lambda_i$大）倾向于降低数据质量以控制成本。

主要贡献与创新点

首创需求驱动型激励数据市场框架 Share：首次在统一模型中实现买方主导、三方利润最大化的数据交易机制。
提出三阶段 Stackelberg-Nash 博弈结构：精准刻画“买方→中介→卖方”的实际市场流程，兼顾顺序决策与平等竞争。
引入内层纳什博弈解决卖家选择问题：让卖方通过数据质量竞争自动胜出，无需中介显式挑选，提升机制自主性与公平性。
设计绝对定价机制：买卖双方直接协商价格，而非仅依赖Shapley值等相对贡献分配方式，更具商业实践意义。
提出均值场近似方法并提供误差保证：解决了大规模复杂情况下纳什均衡难以解析求解的技术难题，拓展了模型适用边界。
完整实现与实证验证：提供了从理论建模到算法实现再到实验评估的全流程验证，在真实与合成数据上展示了机制的有效性与高效性。

潜在局限性或未来工作

当前假设限制：
- 仅考虑单买方、单中介、多卖方设定，未涵盖多买方竞争或多中介并存的复杂市场环境。
- 假设完全信息（各方知晓彼此收益函数），现实中可能存在信息不对称。
- 卖家成本主要聚焦隐私损失，未考虑其他运营成本。
未来研究方向（文中明确指出）：
1. 扩展支持 多个买方 场景，研究竞价与资源分配机制。
2. 支持跨交易周期的 复杂卖家成本建模，例如累积隐私预算管理或长期声誉演化。
3. 探索不完全信息下的博弈机制设计，增强现实适应能力。
4. 引入更丰富的数据产品类型（如深度学习模型）与查询语义。

总体而言，本文为数据要素市场化提供了一个坚实的理论与机制基础，尤其在激励设计与博弈建模方面具有开创性意义，后续可在此框架上持续扩展与深化。

论文标题：Skyline Diagram Efficient Space Partitioning for Skyline Queries

论文信息

论文作者：
Jinfei Liu, Juncheng Yang, Li Xiong, Jian Pei, Fellow, IEEE, Jun Luo, Yuzhang Guo, Shuaicheng Ma, and Chenglin Fan
论文核心摘要：
本文提出了一种新颖的数据结构——Skyline Diagram（天际线图），用于高效支持天际线查询。该结构将平面划分为若干区域（称为skyline polyominos），使得同一区域内任意查询点的天际线查询结果相同。受Voronoi图启发，Skyline Diagram可被看作是天际线查询领域的对应结构，可用于加速实时查询、反向天际线计算、结果认证及隐私信息检索等应用。为应对构建该图可能带来的高时间复杂度问题，作者利用天际线的特性提出了针对三种类型天际线查询（象限天际线、全局天际线和动态天际线）的高效算法。此外，还引入了近似天际线图以显著降低空间开销。实验表明所提方法在真实和合成数据集上均具有良好的效率和可扩展性。
研究背景与目的：
天际线查询在多准则决策和多属性相似性检索中至关重要，尤其适用于无法预定义各维度权重的场景。然而，每次执行查询时重新计算天际线代价较高，难以满足实时需求。因此，本文旨在通过预计算的方式，构建一种空间划分结构（即Skyline Diagram），实现对任意查询点的快速响应，从而提升天际线查询的整体性能。

论文关键方法概述：

关键方法：
- 提出了Skyline Diagram的概念：将二维空间划分为多个区域（skyline polyominos），每个区域内所有查询点返回相同的天际线结果。
- 针对三种天际线查询类型分别设计算法：
  1. 象限/全局天际线：基于网格线划分形成skyline cells，并采用多种优化策略（如扫描法、增量更新）减少重复计算。
  2. 动态天际线：考虑绝对距离映射后的支配关系，引入更细粒度的subcells划分，并结合全局天际线结果进行剪枝。
- 提出近似天际线图：允许一定误差下合并邻近且结果相近的区域，以换取更小的空间占用。
实验设计：
- 实现并比较了多种算法变体（包括基线算法与改进算法）的时间性能。
- 在不同分布的数据集（独立型INDE、相关型CORR、反相关型ANTI）以及真实数据集（NBA球员统计、葡萄酒质量）上进行了评估。
- 测试了维度变化、数据量增长、域大小等因素的影响。
数据集：
- 合成数据集：生成具有不同属性分布特征的二维及高维点集。
- 真实数据集：
  - NBA数据集：2384个样本，5个维度。
  - Wine Quality数据集：4898个样本，12个维度。

主要结果：

对于象限天际线图：
- 扫描算法（Scanning Algorithm）和扫掠算法（Sweeping Algorithm）显著优于基线算法，在多数情况下达到O(n²)~O(n³)时间复杂度。
- 在合成数据集中，扫掠算法表现最佳；但在有限域的真实数据集中，扫描算法略优。
对于动态天际线图：
- 子集算法（Subset Algorithm）和扫描算法（Scanning Algorithm）相比基线算法有明显提速，尤其当数据量增大时优势更明显。
- 扫描算法最坏情况下的时间复杂度为O(n⁴ log n)，优于基线的O(n⁵)。
对于近似天际线图：
- 底向上合并（BUM）与顶向下分割（TDP）两种启发式算法可在精度与空间之间取得良好权衡。
- 当参数d较小时，BUM更快；当d较大时，TDP更具优势。
查询效率方面：一旦完成预处理，基于Skyline Diagram的在线查询仅需O(1)时间，比传统O(n log n)算法快约10⁵倍。

主要贡献与创新点：

首次形式化定义Skyline Diagram：类比Voronoi图的思想，提出一个全新的空间划分结构，为天际线查询提供理论基础。
设计高效的构造算法：
- 对象限/全局天际线，提出基于定向天际线图（DSG）、扫描和扫掠的O(n²)~O(n³)算法。
- 对动态天际线，提出基于子集剪枝和增量更新的O(n⁴ log n)扫描算法。
提出近似版本以缓解存储压力：引入可控误差的近似天际线图，并给出两种实用的构造算法（BUM和TDP），有效平衡精度与空间成本。
广泛验证有效性：在多个真实与合成数据集上的实验充分证明了算法的高效性和可扩展性。

潜在局限性或未来工作：

当前局限性：
- 空间复杂度仍较高（可达O(n³)甚至O(n⁵)），尽管已有近似方案缓解。
- 当前主要面向静态数据集，未充分讨论频繁更新场景下的维护机制。
- 虽提及高维扩展，但实际性能随维度增加可能下降较快（“维度灾难”）。
未来工作方向：
- 研究动态数据集下的Skyline Diagram维护技术。
- 开发外部内存算法以突破主存限制。
- 探索更高维度下的优化策略。
- 将该结构应用于更多下游任务，如隐私保护查询、流式处理等。

论文标题： Skyline Diagram: Finding the Voronoi Counterpart for Skyline Queries

论文信息

论文作者：
Jinfei Liu*, Juncheng Yang*, Li Xiong*, Jian Pei†, Jun Luo‡
*Emory University, †Georgia Tech & Simon Fraser University, ‡Lenovo & Chinese Academy of Sciences
论文核心摘要：
本文提出了一个新颖的数据结构——Skyline Diagram（天际线图），用于对任意查询点的天际线查询结果进行预计算。该结构将平面划分为多个区域（称为“skyline polyominos”），使得同一区域内所有查询点具有相同的天际线查询结果。类似于Voronoi图支持k近邻（kNN）查询，Skyline Diagram可加速天际线查询及其衍生应用（如反向天际线、查询认证、隐私信息检索等）。尽管直接构建该结构成本高昂，但作者通过挖掘天际线的特性，设计了针对三种主流天际线查询类型（象限、全局和动态天际线）的高效算法，并在真实与合成数据集上验证了其效率和可扩展性。
研究背景与目的：
天际线查询广泛应用于多准则决策场景（如推荐相似患者、定价二手车、酒店竞争分析），无需预设属性权重即可找出非支配对象。然而，每次在线执行天际线查询的时间复杂度通常为$O(n \log n)$，难以满足实时需求。受Voronoi图启发（其将空间划分为最近邻相同的区域），本文旨在提出一种对偶结构——Skyline Diagram，实现天际线查询结果的空间分区预计算，从而将在线查询时间降至$O(1)$。主要挑战在于如何高效划分空间并避免昂贵的重复计算。

论文关键方法概述

关键方法：
- 提出 Skyline Diagram 结构定义：将二维平面划分为若干“skyline polyomino”区域，每个区域内任意查询点返回相同的天际线结果。
- 针对三种天际线语义设计专用算法：
  1. 象限天际线（Quadrant Skyline）：以查询点为原点，仅考虑第一象限内的点并计算传统天际线。
  2. 全局天际线（Global Skyline）：分别计算四个象限的象限天际线后取并集。
  3. 动态天际线（Dynamic Skyline）：先将所有点映射到以查询点为原点的第一象限（使用绝对距离作为坐标），再计算传统天际线；此方式允许跨象限支配。
- 设计多种优化算法，核心思想包括：
  - 增量更新：利用相邻区域间天际线结果的微小差异，避免从零计算。
  - 子集剪枝：对于动态天际线，利用其结果必然是对应全局天际线子集的性质，缩小候选集。
  - 扫描与合并：通过系统性地遍历网格单元或直接构造最终多边形区域来减少冗余操作。
实验设计：
- 实现并比较四种象限天际线算法（QBase, QGraph, QScan, QSweep）和三种动态天际线算法（DBase, DSubset, DScan）。
- 使用合成数据集（独立INDE、相关CORR、逆相关ANTI分布）和真实NBA球员性能数据集（5维）。
- 评估指标：构建时间、查询响应时间、可扩展性（随数据量$n$和域大小$s$变化）、高维扩展性及并行化性能。
数据集：
- 合成数据集：按经典模型生成，控制维度、规模和相关性。
- 真实数据集：2384名NBA季后赛领袖球员，含5个属性（得分、篮板、助攻、抢断、盖帽）。

主要结果

象限/全局天际线算法性能：
- 所有改进算法均显著优于基线（QBase）。
- QSweep（扫描算法） 在多数情况下最快，尤其在相关数据集（CORR）上表现最佳，因其产生的区域更少。
- QGraph 和 QScan 性能稳定，在逆相关数据（ANTI）上优于QSweep。
- 在真实NBA数据上，QScan略优于QSweep，因有限域减少了网格数量，削弱了QSweep优势。
动态天际线算法性能：
- DSubset 显著优于基线DBase，平均加速达数倍，尤其当数据量大而域小时效果更明显（此时全局天际线集很小）。
- DScan 在域较大时表现最优，因避免了处理庞大的全局天际线中间结果。
- 并行化后，DScan在大数据大域场景下接近线性加速。
查询效率提升：
- 一旦Skyline Diagram构建完成，单次查询时间几乎恒定$O(1)$，比传统$O(n \log n)$算法快约$10^5$倍，且不随数据量增长而变慢。
高维扩展性：
- QGraph 和 QScan 在高维空间仍显著优于基线，但QScan因多重集合运算开销增大，相对优势下降。
域大小影响：
- 当域大小远大于数据量时，算法性能趋于饱和；反之，性能随域增大而下降。DScan在大域下超越DSubset。

主要贡献与创新点

概念创新：首次正式提出 Skyline Diagram 这一基础性结构，填补了天际线查询领域缺乏类似Voronoi图的预计算空间划分结构的空白。
理论洞察：深入分析了相邻空间单元间天际线结果的数学关系（如Theorem 1中的集合公式），为增量算法提供理论支撑。
算法体系：为三种主流天际线语义设计了一套完整的高效算法族，涵盖从基线到最先进的扫描策略。
实际价值：证明了该结构可用于加速查询、支持反向天际线、实现查询结果认证和隐私保护查询等多种下游任务。
工程实现：提供了可扩展、可并行化的解决方案，并在真实数据上验证了实用性。

潜在局限性或未来工作

高维限制：当前最优的 Sweeping Algorithm 难以自然推广至高维空间，是重要开放问题。
存储开销：结构的空间复杂度为$O(n^3)$（二维），在大规模数据下可能成为瓶颈，需探索压缩表示或近似版本。
静态假设：目前方法假设数据集静态不变，未考虑数据动态插入/删除的维护问题。
应用场景拓展：
- 支持子空间天际线查询（结合预计算的Skyline Cube）。
- 探索非欧几里得空间（如道路网络）上的Skyline Diagram。
- 实现基于该结构的完整反向天际线、查询认证等应用原型。
并行优化：当前并行化受限于初始阶段（如全局天际线计算）的串行瓶颈，未来可优化这些模块的并行性。

论文标题： SkyRec: Finding Pareto Optimal Groups

论文信息

论文作者：
Jinfei Liu, Li Xiong, Jian Pei (Emory University 和 Simon Fraser University), Tun Luo (Lenovo Machine Intelligence Center), Haoyu Zhang (Indiana University), Si Zhang (Jianghan University)
论文核心摘要：
本文提出了 SkyRec（Skyline Recommender），一个用于寻找帕累托最优组的推荐工具包。该系统基于“群体天际线”（group skyline）的概念，扩展了传统仅针对单个对象的天际线计算方法，使其能够处理由多个成员组成的群体作为推荐单位。SkyRec 支持两种群体天际线模型：G-Skyline 和 Sum-Skyline，并返回大小为$k$的非支配群组。尽管以酒店预订为例进行演示，但该框架可广泛应用于多准则决策场景。
研究背景与目的：
- 传统的推荐系统通常假设已知用户对各属性的偏好权重，但在实际中这些偏好难以预先确定。
- 天际线查询（Skyline Query）是一种无需预设权重的多目标优化技术，能返回所有“不被其他选项全面超越”的帕累托最优个体。
- 然而，许多现实问题需要推荐一组对象（如为会议参与者预定多个酒店），而非单一对象。
- 原有方法仅从个体天际线点中组合群体，会遗漏一些重要的帕累托最优群体（例如两个低价但非个体天际线的酒店组合可能整体更优）。
- 因此，本研究旨在开发一种支持群体级别帕累托最优搜索的通用工具——SkyRec，填补个体天际线无法满足群体决策需求的技术空白。

论文关键方法概述：关键方法、实验设计、数据集等

关键方法：
1. G-Skyline 模型：
  定义两个大小相同的群组$G$和$G’$，若存在排列使得$G$中每个点都优于或等于$G’$中对应点，且至少有一个严格更优，则称$G$g-支配$G’$。不被任何同规模群组 g-支配的群组即为 G-Skyline 群组。
  - 关键性质：G-Skyline 群组中的任意点不能被群组外的点所支配（Lemma 2.3）。
  - 算法流程：
    - 构建多层天际线（Skyline Layers）；
    - 构造有向天际线图（Directed Skyline Graph, DSG），表示点之间的支配关系；
    - 在枚举树上进行剪枝搜索，避免无效组合。
2. Sum-Skyline 模型：
  将群组内所有点的各维度属性值求和，形成一个聚合点；然后使用传统天际线定义比较这些聚合点。若群组$G$的聚合点支配$G’$的聚合点，则称$G$sum-支配$G’$。未被 sum-支配的群组构成 Sum-Skyline。
  - 特点：结果是 G-Skyline 的子集，更具保守性，但也可能丢失某些合理折衷方案。
实验设计：
- 提供 Web 可视化界面，用户输入目的地、群组大小$k$、关注属性（价格、星级、距离）、选择 G-Skyline 或 Sum-Skyline 模型。
- 系统调用 Google Maps API 获取附近酒店实时地理数据。
- 返回符合条件的帕累托最优群组，并可在地图上可视化展示（相同颜色圆圈代表同一群组）。
- 对比分析 G-Skyline 与 Sum-Skyline 的输出差异。
数据集：
1. 真实世界数据集： 使用 Google Maps JavaScript API 实时获取指定区域内的酒店信息，包括名称、地址、经纬度（用于计算到目的地的距离）、星级、价格等。出于成本考虑，部分字段（如价格、星级）采用随机生成方式模拟。
2. 合成数据集： 生成 100 个二维空间中的独立同分布随机点，用于对比不同模型在可控环境下的表现。

主要结果：核心发现、数据或图表描述

图5 与图6（G-Skyline 结果）：
当群组大小$k=2$时，在 Emory University 附近共返回 4 个 G-Skyline 群组。其中包括包含非个体天际线点的组合（如一个价格较低但非最优的酒店与另一个近距酒店配对），体现了 G-Skyline 能发现更多样化的帕累托解。
图7 与图8（Sum-Skyline 结果）：
相同条件下，Sum-Skyline 仅返回 2 个群组。说明其筛选标准更严格，结果为 G-Skyline 的子集。
关键结论（来自分析部分）：
- Sum-Skyline ⊆ G-Skyline：如果一个群组在 G-Skyline 中被支配，则它一定也会在 Sum-Skyline 中被支配；反之不成立。
- G-Skyline 更完整地保留了潜在合理的折衷方案，尤其适用于用户偏好未知或多样的情况。
- 仅基于个体天际线点构建群组的方法会遗漏重要解（如文中提到的两个低价酒店组合）。
图4（合成数据实验）：
- 在二维空间下，随着群组大小从 2 增加到 3：
  - Sum-Skyline：分别有 11 和 16 个点参与至少一个帕累托群组；
  - G-Skyline：分别有 13 和 18 个点参与。
- 验证了 G-Skyline 包含更多候选点，且较小群组的结果集是较大群组的子集的趋势。

主要贡献与创新点

提出并实现了首个面向群体推荐的开源工具包 SkyRec，将群体天际线理论转化为实用系统。
集成并对比两种主流群体天际线模型（G-Skyline 和 Sum-Skyline），帮助用户理解其差异并做出合适选择。
设计高效的算法架构，通过构建 Skyline Layers 和 Directed Skyline Graph 实现有效剪枝，提升大规模数据下的计算效率。
提供直观的 Web 可视化接口，结合 Google Maps API 实现地理位置相关应用的即时交互体验。
揭示了传统方法的局限性：仅从个体天际线点构造群组会导致信息损失，而 G-Skyline 可捕获包含“内部支配”但整体优越的群组。

潜在局限性或未来工作

局限性：
1. 可扩展性限制： 群组枚举本质上是组合爆炸问题，当群组大小$k$较大时，计算复杂度急剧上升，当前方法可能难以应对大规模数据集。
2. 依赖外部 API： 实验中使用 Google Maps API 存在访问频率限制和费用问题，且价格和星级数据为随机生成，影响结果真实性。
3. 属性归一化假设： 所有属性被假设为“越低越好”，虽可通过取负处理转换，但仍需手动配置，缺乏自动适配机制。
4. 仅支持静态数据： 未考虑动态变化的数据流场景（如实时房价波动）。
未来工作方向：
1. 设计近似算法或启发式策略，提高大$k$值下的计算效率。
2. 探索更多聚合函数（如 AVG、MAX）定义的新型 Sum-Skyline 变体。
3. 引入用户反馈机制，实现个性化群体推荐。
4. 扩展至流式数据环境，支持动态更新的群体天际线维护。
5. 支持更高维数据和更复杂的约束条件（如预算上限、容量限制等）。

论文标题：TabularMark: Watermarking Tabular Datasets for Machine Learning

论文信息

论文作者：
Yihao Zheng, Haocheng Xia, Junyuan Pang, Jinfei Liu, Kui Ren, Lingyang Chu, Yang Cao, Li Xiong
（单位包括浙江大学、伊利诺伊大学厄巴纳-香槟分校、麦克马斯特大学、东京工业大学、埃默里大学）
论文核心摘要：
本文提出了一种名为 TabularMark 的新型表格数据水印方案，旨在解决现有水印技术在可检测性、非侵入性和鲁棒性方面的不足。与以往仅关注统计特征的方法不同，TabularMark 首次系统地考虑了机器学习模型训练性能（即“ML 实用性”）的保持。该方法通过数据噪声分区进行嵌入，在检测阶段采用单比例 z 检验来判断水印是否存在。实验证明，该方法在真实和合成数据集上均表现出优越的性能。
研究背景与目的：
随着机器学习广泛应用，结构化表格数据成为关键资产，但其易复制特性导致版权保护困难。传统多媒体水印难以适用于表格数据，因其缺乏感知冗余且对微小修改敏感。已有关系型数据库水印方法存在诸多限制：如依赖最低有效位（LSB）不适用于分类属性、依赖主键易受替换攻击、忽略下游机器学习任务的性能影响等。

本研究的目标是设计一种新的水印机制，能够在不影响原始数据用于训练高质量 ML 模型的前提下，实现可靠的版权归属验证，并抵抗常见攻击。

论文关键方法概述

核心思想：
利用自然存在于独立采集数据间的随机偏差现象，人为构造具有统计显著性的偏差分布作为水印信号。
水印嵌入方法：
- 在原始数据中选择少量“关键单元格”（key cells）。
- 定义一个扰动范围$[-p, p]$并将其划分为长度相等的“绿色域”和“红色域”。
- 使用密钥控制的随机种子为每个关键单元格生成不同的划分方式。
- 扰动时从“绿色域”中选取数值添加到关键单元格上，使得这些单元格的变化呈现出非随机模式。
水印检测方法：
- 使用相同的密钥恢复各关键单元格对应的绿/红区域划分。
- 计算可疑数据与原数据在关键单元格上的差异。
- 统计落在“绿色域”的差异数量$n_g$。
- 应用单比例 z 检验检验$n_g$是否显著高于期望值（0.5 × 总数），从而判断水印是否存在。
- 设定阈值$\alpha = 1.96$（对应 5% 显著性水平）决定是否拒绝无水印假设。
增强鲁棒性的关键技术：
- 多属性匹配算法：使用多个属性的最高有效位（MSB）组合成虚拟主键，避免真实主键被篡改导致无法定位关键单元格。
- 保密关键信息：攻击者不知道哪些是关键单元格，因此清除水印需大规模扰动，极大损害数据实用性。
支持的数据类型：
- 数值型属性：直接在连续范围内扰动。
- 分类型属性：将类别编码后视为离散整数，随机分为两组并从中选择一组进行替换。
实验数据集：
- 真实世界数据集：
  - Forest Cover Type（分类）
  - HOG 特征 + 手写数字标签（分类）
  - Boston Housing Prices（回归）
- 合成数据集：二维正态分布数据，用于参数分析。
评估模型：
- XGBoost（分类）、Random Forest（分类）、Linear Regression（回归）

主要结果

高可检测性（Detectability）：
- 所有水印数据集的 z-score 均远超阈值 1.96：
  - 合成数据：17.3
  - Forest Cover：18.6
  - HOG：12.3
  - Boston Housing：6.91
- 原始数据和随机扰动数据的 z-score 接近于 0，表明极低误报率。
- ROC 曲线下面积达 0.94，显示优异的分类能力。
强非侵入性（Non-intrusiveness）：
- 水印前后 ML 模型性能几乎不变：
  - Forest Cover 上 XGBoost 的 F1-score 下降平均仅为 0.001。
  - Boston Housing 上线性回归 MSE 由 24.8 升至 25.6，增幅很小。
- 表明仅扰动极少数单元格即可嵌入稳健水印，对模型训练影响可忽略。
高鲁棒性（Robustness）：
- 对抗篡改攻击：
  - 攻击者需扰动超过 80% 关键属性才能使 z-score 跌破阈值，但此时模型 F1-score 下降高达 0.245，模型已不可用。
- 对抗插入/删除攻击：
  - 即使插入或删除 100% 数据行，借助 MSB 匹配仍能成功检测水印（z-score > 5.7）。
- 数学证明：攻击者需扰动大量非关键单元格才能以高置信度消除水印，成本远高于数据所有者。
对比实验优势：
- 相比 HistMark 和 SemMark，TabularMark 在相同扰动强度下造成更小的模型性能下降。
- 在抗攻击方面表现相当甚至更优，尤其在面对复杂攻击时更具韧性。
参数权衡分析：
- 扰动范围$p$和关键单元格数$n_w$增大会提升鲁棒性但轻微降低非侵入性。
- 绿色域比例设为 0.5 可平衡检测灵敏度与误报风险。

主要贡献与创新点

首次系统考虑 ML 实用性的水印框架：
不仅保留数据统计性质，更重要的是保证训练出的机器学习模型性能不受明显影响。
提出基于假设检验的水印机制：
引入单比例 z 检验作为检测工具，提供严格的统计学基础，确保低误报率，且可通过调整阈值灵活控制安全性。
通用性强的嵌入策略：
“数据噪声分区”方法统一处理数值型和分类型属性，无需特殊编码或转换，适用性广。
高鲁棒性设计：
- 提出基于 MSB 的多属性匹配机制，摆脱对主键的依赖。
- 从理论上建模攻击代价，证明攻击者清除水印的成本远高于数据所有者的嵌入成本。
完整的端到端验证：
在多个真实世界和合成数据集上进行了全面实验，涵盖分类与回归任务，验证了方法的有效性与泛化能力。

潜在局限性或未来工作

潜在局限性：
- 假设独立采样偏差：方法有效性依赖于“未标记数据与原始数据之间存在随机小偏差”的前提，若实际场景中此假设不成立（例如数据完全一致或偏差过大），可能影响检测效果。
- 扰动可见性风险：虽然扰动量小，但在某些高精度应用场景中，人为引入的数值变化仍可能引起怀疑或触发异常检测。
- 计算开销：对于超大规模数据集，遍历所有记录寻找关键单元格及执行匹配操作可能存在效率瓶颈。
未来工作方向（文中提及）：
- 针对特定模型优化水印扰动：当前方法最小化总体 ML 性能损失，未来可研究如何针对某一类特定模型（如深度神经网络）进一步降低影响。
- 扩展威胁模型：考虑更多类型的高级攻击，如语义保持变换、对抗样本攻击、模型提取攻击等。
- 支持更多数据类型：拓展至时间序列、图结构等复杂表格形式。
- 动态自适应水印：根据数据分布自动调节扰动强度和位置，实现更智能的嵌入策略。

论文标题： Visually Aware Recommendation with Aesthetic Features

论文信息

论文作者：
Wenhui Yu, Xiangnan He, Jian Pei, Xu Chen (通讯作者), Li Xiong, Jinfei Liu, Zheng Qin
论文核心摘要：
本文提出了一种融合美学特征的视觉感知推荐模型（VRA），旨在提升时尚类商品（如服装、珠宝）推荐的效果。作者认为传统视觉特征（如CNN特征、颜色直方图）难以有效建模用户的审美偏好，因此引入由“脑启发深度网络”（BDN）提取的高阶美学特征来刻画产品美感。在此基础上，构建了一个新的张量分解模型以捕捉用户审美偏好的时间动态性，并进一步利用美学特征优化隐式反馈下的负采样策略，提出了美学增强的成对排序学习算法（APLR）。实验表明，该方法在多个真实数据集上显著优于现有推荐模型。
研究背景与目的：
推荐系统广泛应用于电商平台，而视觉信息在用户购买决策中起着关键作用，尤其是在服饰、家具等注重外观的领域。尽管已有工作将图像特征（如CNN特征）融入推荐模型，但这些特征主要反映语义内容（如“这是一件裙子”），无法有效表达“这件衣服是否美观”这一主观审美判断。
因此，本文的研究动机是：显式建模并利用产品的美学属性来更准确地预测用户偏好，特别是在隐式反馈场景下（仅有点击/购买记录，无明确评分），解决传统负采样误标潜在正样本的问题。

论文关键方法概述

关键方法：
- 美学特征提取：采用预训练的脑启发深度网络（BDN）从商品图片中提取美学特征。BDN基于AVA数据集训练，输入为色调（Hue）、饱和度（Saturation）、互补色等原始美学相关特征，输出为高维美学表示向量，能捕捉色彩搭配、比例、设计风格等抽象美感。
- 基础推荐模型：提出一种新型张量分解模型，将用户-物品-时间三元交互建模为两个独立因子的乘积： $\hat{A}_{pqr} = (U_p^\top V_q + M_p^\top f_q^{vis}) \cdot (T_r^\top W_q + N_r^\top f_q^{vis})$ 其中第一项表示用户对物品的偏好（$S_1$），第二项表示物品与时间的匹配度（$S_2$），最终预测需两者同时满足（即相乘），从而实现“合适的时间推荐合适的物品”。
- 耦合矩阵监督：结合用户-物品矩阵$B$和时间-物品矩阵$C$构建联合优化目标，缓解稀疏张量带来的训练困难。
- 美学增强的负采样策略（APLR）：在成对排序学习中，不仅区分正样本与随机负样本，还构建每个正样本的“邻居集”（包括视觉相似、协同行为相关的物品），并赋予其介于正负之间的偏好权重，避免将潜在喜好物品错误标记为负样本。
实验设计：
- 使用Amazon电商平台的“服装鞋履与珠宝”类别数据（经5-core过滤），按性别和品类划分为6个子集进行测试。
- 时间维度按周离散化为237个区间。
- 数据集按8:1:1划分训练/验证/测试集，移除冷启动用户和物品。
- 评估指标：Top-N推荐的F1-score和NDCG。
数据集：
- AVA数据集：用于预训练BDN美学网络，包含25万张带美学评分和标签的照片。
- Amazon数据集：主实验数据集，统计信息如下表所示：

Dataset	Purchase	User	Item	Sparsity
Amazon	275,539	39,371	23,022	99.9696%
Men	67,156	22,547	5,460	99.9454%
Women	176,136	35,059	14,500	99.9653%
Clothes	115,841	32,728	8,777	99.9597%
Shoes	94,560	32,538	8,231	99.9647%
Jewelry	37,314	15,924	3,607	99.9350%

主要结果

整体性能对比（RQ2）：
- 所提方法 VRA 在所有6个数据集上均显著优于基线模型（BPR, VBPR, VNPR, DVBPR, CPLR, WBPR）。
- 在Jewelry数据集上，VRA比最佳基线DVBPR提升约 7.16% F1@10 和 8.64% NDCG@10。
- 性能增益在Clothes和Shoes子集更为明显，而在Jewelry中相对较小，可能因其设计风格较为单一（金银为主）。
美学特征的有效性验证（RQ3）：
- 消融实验证明：仅使用颜色直方图（VRH）提升有限；使用CNN特征（VRCo）或美学特征（VRAo）效果相近且优于VRH；二者结合（VRA）效果最好，说明语义与美学信息互补。
- 可视化案例显示：VRCo推荐的商品虽属同类但风格差异大；而VRA推荐的商品在材质、线条、细节设计等方面与用户历史购买高度一致，更具个性化审美一致性。
APLR优化策略的有效性（RQ4）：
- 引入邻居集加权后（VRA_APLR），相比标准成对排序（VRA_PLR）F1-score提升约 4.70%。
- 超参数敏感性分析表明，设置$\eta_1=0.1$,$\eta_2=0.01$时效果最佳，说明“用户偏好正样本 > 邻居样本”的优先级高于“邻居样本 > 普通负样本”。
影响因素分析（RQ1）：
- 不同年龄用户审美差异显著：儿童偏好高饱和度，成人偏好低饱和。
- 性别差异：男性偏好深色稳重款式，女性偏好浅色活泼设计。
- 季节性趋势：春夏偏好亮色轻薄款，秋冬偏好暗色厚重款。
- 年度流行变化：2010年黄蓝流行 → 2012年紫黄 → 2014年红色主导。

主要贡献与创新点

首次系统性地将美学特征引入推荐系统建模，提出基于BDN的高阶美学表示，超越传统的低级视觉特征（如颜色直方图）。
设计了一种新颖的张量分解结构，通过解耦用户-物品与时间-物品的潜在空间，更好地建模“用户喜好”与“季节适配”的双重依赖关系。
提出APLR算法，在负采样阶段利用美学/语义/图结构相似性构建邻居集，实现更智能的样本加权，提升排序学习质量。
进行了全面的实证研究，涵盖多维度数据分析、消融实验、可视化解释，在多个真实世界数据集上验证了方法的有效性和鲁棒性。

潜在局限性或未来工作

美学特征提取依赖外部预训练模型：BDN在摄影数据集（AVA）上训练，迁移到电商商品可能存在领域偏差。未来可建立专门的产品美学评估数据集。
邻居构造方式较简单：目前基于聚类或共现关系定义邻居，未考虑高阶连接（如社交网络、谱聚类）。未来可探索更复杂的图结构建模。
未探索显式反馈场景：当前工作聚焦于隐式反馈（购买/点击），未来可研究美学特征在显式评分预测中的应用。
计算开销较大：由于引入多源信息和复杂采样机制，模型训练效率低于基础BPR类方法，实际部署需进一步优化。

✅ 总结：本论文在视觉推荐方向做出了实质性推进，不仅强调了“美学”作为独立建模维度的重要性，而且从模型架构到学习策略进行了系统创新，具有较强的理论价值与实践意义。

论文标题： When Data Pricing Meets Non-Cooperative Game Theory

论文信息

论文作者：
Yuran Bi, Yihang Wu, Jinfei Liu+, Kui Ren, Li Xiong¹ Zhejiang University
+Zhejiang University, ZJU-Hangzhou Global Scientific and Technological Innovation Center
¹Emory University
论文核心摘要：
本文首次系统地提出将非合作博弈论应用于数据定价的研究蓝图。针对数据作为一种新型资产所具有的独特属性（如可复制性、价值异质性、无先验价值等），文章指出传统博弈模型在数据市场中的适用挑战，并构建了一个四维框架（参与者、对象、行为、信息）来结构化分析基于博弈论的数据定价机制。该框架不仅帮助分类现有研究，还揭示了各维度下的关键研究缺口与未来方向，为数据管理与经济学交叉领域的数据定价提供了理论基础。
研究背景与目的：
随着数据智能的发展，数据市场成为促进数据流通的重要范式。然而，数据定价不同于传统商品交易，因其具有高复制性、价值不确定性、隐私敏感性和动态演化等特点，导致买卖双方的利益高度依赖彼此策略行为。传统的单边定价方法难以应对这种多主体互动场景。因此，本文旨在引入非合作博弈论作为建模工具，理解并设计更合理的数据定价机制。目标是建立一个通用的理论框架，指导如何在复杂的多参与方环境中实现激励兼容、个体理性与社会福利优化之间的平衡。

论文关键方法概述：关键方法、实验设计、数据集等

本论文为综述性与构想性（vision paper），并未进行实证实验或使用具体数据集，而是采用理论建模与文献综述相结合的方法，从博弈论视角提炼出适用于数据定价的关键维度与方法体系。

关键方法：
- 提出“四维分析框架”：Participant（参与者）、Object（对象）、Action（行为）、Information（信息），用于解构和归类不同的数据定价场景。
- 结合经典博弈模型（如Nash均衡、Stackelberg博弈、贝叶斯博弈、VCG拍卖、Myerson最优拍卖、Rubinstein议价模型等），分析其在数据定价中的适应性与局限。
- 对比已有数据定价机制（如双拍、密封投标、迭代竞价、议价协商等），识别其在处理数据特性时的技术挑战。
实验设计：无实际实验，但通过两个动机示例说明框架的应用：
1. 医疗数据交易案例（IMS Health 与 Pfizer）——展示不完全信息下议价过程；
2. 多买方多卖方机器学习模型交易市场 —— 展示组合拍卖与外部性影响。
数据集：未使用任何具体数据集，聚焦于机制设计层面的抽象建模。

主要结果：核心发现、数据或图表描述

尽管没有数值结果，论文得出了若干结构性洞见与分类成果：

图1：四维数据定价框架图 是全文的核心可视化成果，展示了四个维度及其子类别的映射关系：
- Participant：双边（买-卖）、三边（买-经纪-卖）、多方竞争（多个买家/卖家）
- Object：原始数据、查询结果、机器学习模型；供应量（有限 vs 无限）；交易频率（一次性 vs 连续）
- Action：同时行动（如密封投标）vs 序贯行动（如Stackelberg领导-跟随）；竞价形式（一次出价 vs 迭代议价）
- Information：完全信息 vs 不完全信息；自我认知 vs 他者认知（是否知道自己的数据价值？是否知道他人估值？）
核心发现总结：
- 数据的独特属性（C1–C6）严重挑战传统博弈假设，例如：
  - 可复制性（C1） 导致供给近乎无限，引发负外部性（多个买家获得相同数据削弱个体效用）；
  - 价值异质性（C2）与无先验价值（C3） 使得买方难以准确评估数据价值，破坏标准拍卖的前提；
  - 隐私密集性（C5）与动态价值（C6） 要求成本函数与时间因素纳入博弈建模。
- 在不同维度组合下，适合的博弈模型各异：
  - 双边直接交易 → 适用议价模型（如Rubinstein交替报价）；
  - 多买方多卖方竞争 → 适用双拍、VCG拍卖、贝特朗竞争模型；
  - 存在外生不确定性的连续交易 → 适用贝叶斯博弈与动态规划结合；
  - 卖方主导定价 → 适用Stackelberg领导者-跟随者模型；
  - 买方难以估值 → 引入信号机制（signaling）或转换估值单位（如以精度换价格）。
方法有效性映射：文中明确指出某些方法更适合特定场景，例如：
- VCG拍卖虽能保证truthful bidding 和效率，但在数据价值未知时难以实施；
- Myerson拍卖可最大化收入，但需已知估值分布，对prior-independent机制提出需求；
- 迭代拍卖/议价可在过程中逐步发现价值，缓解ex-post valuation难题。

主要贡献与创新点

首创性框架构建：
首次提出一个系统的、基于非合作博弈论的四维分类框架，统一梳理分散的数据定价研究，填补了数据管理与经济博弈之间系统整合的空白。
识别数据特有挑战：
明确归纳出六大数据本质特征（C1–C6），并将其与博弈模型中的基本假设冲突对应起来，为后续机制设计提供针对性改进方向。
强调机制设计原则：
提炼出数据定价中应追求的关键性质：
- 激励相容性（Incentive Compatibility）
- 个体理性（Individual Rationality）
- 社会效益最大化（Social Welfare / EE）
- 预算平衡（Budget Balance）
  并引用Myerson-Satterthwaite定理指出这些目标不可兼得，提醒研究者需权衡取舍。
连接理论与实践：
将现实案例（如医疗数据交易、众包感知市场）嵌入理论框架，展示其解释力与应用潜力，推动学术研究向真实场景落地。
开放研究路径指引：
在每一维度下提出清晰的研究缺口，例如：
- 如何建模数据外部性函数？
- 如何在无限供给下防止价格崩溃？
- 如何设计适用于连续交易的动态定价博弈？
- 如何处理买方自身也不清楚数据价值的情况？

潜在局限性或未来工作

缺乏实证验证：
作为概念性论文，所有分析停留在理论层面，尚未通过仿真或真实市场数据验证所提框架的有效性。
简化假设仍存在：
虽然强调数据复杂性，但部分博弈模型仍依赖强理性人假设，现实中买方可能不具备完全计算能力或面临认知偏差。
未深入讨论监管与伦理问题：
文中提到隐私是数据定价的一部分（C5），但未探讨法律归属、数据主权、公平性等问题，而这些在医疗、金融等领域至关重要。
跨学科整合不足：
虽融合博弈论与数据库技术，但对机器学习模型定价中的对抗攻击、漂移检测等AI安全议题涉及较少。
未来工作建议：
- 开发支持外部性建模的组合拍卖机制；
- 设计无需先验估值的迭代议价协议；
- 构建动态版本控制下的Stackelberg定价模型（考虑数据新鲜度衰减）；
- 探索联邦学习环境下的分布式博弈定价机制；
- 实现基于强化学习的自适应定价Agent模拟平台以测试理论机制。

✅ 总结：本文是一篇具有前瞻性的理论综述与框架构建之作，成功将非合作博弈论系统引入数据定价领域，提出了可扩展的四维分析模型，为后续机制设计研究奠定了坚实基础，极具启发意义。

刘金飞老师论文综述

论文总体综述

📊 论文分类概览

📝 深度综合综述

🔍 共同解决的核心问题

⚙️ 方法论上的异同点

📈 当前领域的技术发展趋势总结

💡 关键图表与数据洞察

✅ 精读推荐指南

🔮 未来研究方向建议

论文详细说明

论文标题：A Profit-Maximizing Data Marketplace with Differentially Private Federated Learning under Price Competition

论文信息

论文关键方法概述：

主要结果：

主要贡献与创新点：

潜在局限性或未来工作：

论文标题： A Survey on Data Markets

论文信息

论文关键方法概述：

主要结果：

主要贡献与创新点：

潜在局限性或未来工作：

论文标题： Bargaining-based Data Markets

论文信息

论文关键方法概述

主要结果

主要贡献与创新点

潜在局限性或未来工作

论文标题： B²Mark: A Blind and Buyer-Traceable Watermarking Scheme for Tabular Datasets

论文信息

论文关键方法概述

主要结果

主要贡献与创新点

潜在局限性或未来工作

论文标题： CARGO: Crypto-Assisted Differentially Private Triangle Counting without Trusted Servers

论文信息

论文关键方法概述

主要结果

主要贡献与创新点

潜在局限性或未来工作

论文标题：Computing Shapley Values in Preference Queries

论文信息

论文关键方法概述

主要结果

主要贡献与创新点

潜在局限性或未来工作

论文标题：Cross-silo Federated Learning with Record-level Personalized Differential Privacy

论文信息

论文关键方法概述

主要结果

主要贡献与创新点

潜在局限性或未来工作

论文标题： DataPrice: An Interactive System for Pricing Datasets in Data Marketplaces

论文信息

论文关键方法概述

主要结果

主要贡献与创新点

潜在局限性或未来工作

论文标题： DataSIR: A Benchmark Dataset for Sensitive Information Recognition

论文信息

论文关键方法概述

主要结果

主要贡献与创新点

潜在局限性或未来工作

论文标题： Dealer: An End-to-End Model Marketplace with Differential Privacy

论文信息

论文关键方法概述

主要结果

主要贡献与创新点

潜在局限性或未来工作

论文标题： Demonstration of Dealer: An End-to-End Model Marketplace with Differential Privacy

论文信息

论文关键方法概述

主要结果

主要贡献与创新点

潜在局限性或未来工作

论文标题： Differentially Private Histogram Publication for Dynamic Datasets: an Adaptive Sampling Approach

论文信息

论文关键方法概述