C9.08.3Fusion confidence versus privacy scope设计研究
融合提高判断置信度的同时，扩大了同时采集的数据种类与隐私范围
别名: 融合隐私 · 数据种类扩张 · 置信度代价
概念解释
多一路传感器，判断的后验可以更尖，同时采集清单上就多一类数据：位置、声音、皮肤电、影像。融合的隐私成本不是「同一条心率记两次」，而是种类扩张——攻击者或内部模型可以从组合里推出单路不允许推断的属性。置信度和暴露面在同一决策里被绑在一起。
机制
信息论上，联合可识别的假设集大于任一边缘。心率不能很好地区分「在开会」和「在跑步」，加上麦克风能量和 GPS 就可以。产品常把融合卖成一个开关（「更智能」），用户看到的仍是单一权限名，实际授权的是向量。种类扩张还改变泄露单位：一份日志从健康指标变成可重识别的轨迹，因为异构特征的组合更独特。即便融合在端侧完成、云端只收标签，标签本身可能已是高维推断的充分统计。
怎么研究
做属性推断攻击：用融合特征预测未授权标签，对比单路。自变量：加入的数据种类、是否只上传融合后标签。因变量：主任务置信度（校准后的 Brier 或期望校准误差）、攻击准确率、用户对「系统在采什么」的感知差距。许可界面研究应测：分种类授权 vs 一个总开关，对实际采集集合的理解差多少。
边界
同一种类的冗余（两只加速度计）扩张的是可靠性，不是新的属性轴，隐私增量较小。法律强制的最小集合（紧急呼叫带位置）应与可选融合分开标。端侧丢弃原始流、只留短期状态，可以把种类扩张限制在设备寿命内，但仍要防止从标签反推。儿童和旁观者会被种类扩张误伤，因为他们从未授权那只麦克风或相机。
怎么落地
- 按数据种类列出融合清单，默认最小集；每多一类单独许可，不允许被「提高准确率」一键全开。
- 置信度目标用数字写清（例如校准后的期望误差），超过该目标就停止加种类。
- 导出和云端默认只给主任务标签，种类明细留在设备。
- 验证：拿融合日志预测一份未在知情说明里出现的属性；能预测的，要么写进说明，要么从融合里拿掉那一类。