敏感类别的推断需要额外限制

概念解释

健康、性取向、宗教、种族、政治观点、生物识别一类属性，一旦被估错或被估对，后果都重于「喜欢爵士还是流行」。受约束的敏感属性推断（constrained sensitive-attribute inference）要求：对这类属性，默认不是「能估就估」，而是禁止、法定例外、或单独的明示同意与用途限制。普通兴趣标签的流程不能原样搬过来。

敏感不是「用户比较在意」，是伤害结构不同：歧视、医疗暴露、家庭内风险。

机制

敏感属性的损失不对称。估对可以用于排斥或定向；估错可以把人送进错误的医疗、招聘、内容池。推荐系统若把敏感标签当普通特征，梯度不会区分这两种损失，只会看见短期点击。因此限制不能靠模型自己学会，必须在特征、用途、保留期上外加闸门。

法律上的「特殊类别」清单（如欧洲数据保护里的特殊类别数据）提供的是类别边界，不是交互方案。交互上还要决定：不采集、采集但不用于排序、用于排序但不得展示、用于安全检测但不得用于营销。每一条都是额外限制，少一条就退回普通兴趣流程。

怎么研究

敏感属性推断的方法是：在受控、经同意的数据集上训练属性分类器，报告对少数类的误差、校准，以及把该特征加入排序后的对待差异（曝光、出价、内容类型）。自变量：是否允许该特征、用途（营销 / 安全 / 无）。因变量：分类误差的分布、排序对待差异、用户在知情后的拒绝率。

没有代表性样本时不要报「我们估不准所以无害」。估不准在尾巴上往往最伤。研究必须按敏感类分层，不能用总体准确率掩盖。

边界

安全检测（未成年保护、自伤危机）有时必须用相关信号，那是单独的用途通道，不能借机喂给广告排序。用户主动填写的敏感字段，限制从「能不能估」转成「能用在哪」。公开创作者身份不是推断。组合非敏感行为推出敏感类，是即使单项都「不敏感」仍可能违规的合成问题，不在这一条的清单定义里展开。

怎么落地

• 维护一份敏感属性清单，默认禁止从行为估计，禁止写入排序特征。要启用必须单独立项：用途、保留、谁能看见。
• 广告与推荐的特征表里做名称扫描，拦截健康、宗教、性取向等字段，包括近义词和代理变量（「母婴」当怀孕代理）。
• 验证：从生产特征存储里抽样，人工标是否属于敏感类或其代理。出现未立项的项，就是普通兴趣流程被原样搬过来了。

延伸

• 同组：L6.06.1 行为推断可能触及未主动披露的信息 · L6.06.2 推断结果的展示本身构成披露 · L6.06.4 非敏感行为的组合可以推出敏感属性，逐项合规不等于整体合规 · L6.06.5 推断结果在共享设备与共享屏幕上会向第三方披露 · L6.06.6 推断错误同样造成伤害，被错误归类者往往无处申诉 · L6.06.7 用户对推断的容忍度取决于场景，同一推断在不同产品中评价不同 · L6.06.8 退出推断与退出数据采集是两件事，应分别提供开关
• 相邻：L6.10 个性化的可关闭与可重置 · L5.05 透明度的适度原则 · L4.06 代理的权限边界
• 站内检索：constrained sensitive-attribute inference · special category data · sensitive attributes