面向负责任分析的抗议动态保护与保存

抗议相关社交媒体数据对理解集体行动非常有价值，但因涉及监视、镇压以及个人隐私等问题，风险本身较高。当代人工智能系统能够识别个体、推断敏感属性，并跨平台交叉引用视觉信息，从而实现对抗议者和旁观者的监视。这类情境下，基于抗议图像训练的大型基础模型风险记忆并披露敏感信息，导致跨平台身份泄露和事后参与者识别。现有的自动化抗议分析方法未能提供一种集成隐私风险评估、下游分析和公平性考量的完整管道。为此，我们提出了一个用于在降低对个人隐私风险的同时，对集体抗议动态进行分析的负责任计算框架。我们的框架通过条件图像合成替换敏感抗议图像，生成经过良好标注的合成复制品，使我们能够在不直接暴露可识别个体的前提下进行集体模式分析。我们演示了该方法在生成逼真且多样化的合成图像方面的能力，同时在下游分析效用与隐私风险降低之间取得平衡。我们进一步评估了生成数据的民族公平性，检查合成表示是否对特定子群产生不成比例的影响。与提供绝对隐私保证不同，我们的方法采用务实的、减灾的做法，在 acknowledging 残余风险的同时，使社交敏感的分析得以实现。