OpenMed 结构化隐私与再识别风险实验室Structured Risk Lab实战指南【免费下载链接】openmedLocal-first healthcare AI: clinical NER HIPAA PII de-identification that runs 100% on-device. 2,200 medical models, 21 languages, Apple MLX Python, no cloud, no patient data leaving your network. Apache-2.0项目地址: https://gitcode.com/GitHub_Trending/ope/openmed导读结构化隐私与再识别风险实验室Structured Privacy and Re-identification Risk Lab是 OpenMed 中面向表格化临床数据的离线证据工作流它显式声明直接标识符、准标识符、敏感属性度量缺失率、唯一性与稀有组合并在确定性泛化与整隐私单元抑制前后分别测量 k-匿名、l-多样性与 t-接近度k-anonymity、l-diversity、t-closeness。本文基于 docs/privacy/structured-risk-lab.md 展开结合仓库源码openmed/structured/privacy_lab.py、openmed/risk/release.py、openmed/risk/aggregate_dp.py与回归测试tests/unit/risk/test_structured_privacy_lab.py深入讲解 Python 与 CLI 两套工作流、聚合差分隐私账本以及证据边界帮助你在本地完成可复核的隐私发布评估。实验室的定位与边界结构化隐私实验室是一个离线证据工作流不是一键脱敏开关。它完成四件事画像Profiling对显式声明的直接标识符、准标识符、敏感属性逐列统计缺失数、非空数、唯一值与稀有值数量在准标识符组合层面统计唯一组合数与稀有组合数并记录声明的编码化人群假设coded population assumptions。度量Measuring在确定性泛化与整隐私单元抑制whole-privacy-unit suppression前后分别测量 k-匿名、l-多样性与 t-接近度。输出证据Evidence产出可供合格评审qualified review使用的、仅含聚合信息的证据报告。明确否定Negative claims它不是合法安全港认证legal safe-harbor certification、不是专家决定Expert Determination、不是通用的匿名保证也不是一个授权发布的一维风险分数。这一边界被直接写进了证据报告的实现中StructuredPrivacyEvidenceReport的默认 limitations 包含四条固定声明例如 Metrics support qualified review and do not certify anonymity.见 openmed/structured/privacy_lab.py并在to_dict()中写入qualified_expert_review_required: True与standard_orientation: NIST SP 800-188。Python 工作流显式策略驱动实验室的核心理念是所有策略选择都是显式的——它不会替你推断准标识符集合也不会替你选择一个可接受的阈值。这一点在 openmed/structured/privacy_lab.py 中强制实现run_structured_privacy_lab要求要么传入显式policy要么以关键字形式提供quasi_identifiers与target_k缺失即抛出StructuredPrivacyLabError。最小可运行示例from openmed.structured import ( StructuredPrivacyPolicy, run_structured_privacy_lab, ) policy StructuredPrivacyPolicy( quasi_identifiers(age, postal_prefix), sensitive_attributes(diagnosis,), direct_identifiers(synthetic_record_id,), target_k3, target_l2, target_t0.5, suppression_limit2, membership_max_inference_rate0.0, ) result run_structured_privacy_lab( rows, policy, population_assumptions{ scope: reviewed_synthetic_cohort, population_kind: synthetic_fixture, }, membership_candidateslocal_candidate_rows, ) if result.meets_policy: release_rows result.records # Keep this separate from evidence. evidence_json result.evidence.to_json()StructuredPrivacyPolicy 参数全解StructuredPrivacyPolicyopenmed/structured/privacy_lab.py在__post_init__阶段会做三件事把列名规范化为去重元组、执行数值校验_validate_policy_numbers、并委托给 release 引擎的AnonymityPolicy做角色重叠与 k/l/t 语义校验从而保证实验室与既有患者级发布语义不漂移。各字段含义如下参数默认值说明quasi_identifiers必填准标识符列元组用于等价类分组与泛化target_k必填k-匿名目标必须是 1的整数实验室不替你选阈值sensitive_attributes()敏感属性列l-多样性与 t-接近度的评估对象direct_identifiers()直接标识符列不参与泛化non_sensitive_attributes()非敏感属性列与其它角色不允许重叠excluded_attributes()排除列不进入评估privacy_unitNone隐私单元列仅可同时出现在 direct_identifiers 中target_l1l-多样性目标 1时要求至少声明一个敏感属性l_metricdistinctl-多样性度量方式取值受 release 引擎的_SUPPORTED_L_METRICS约束target_t1.0t-接近度目标取值[0, 1] 1.0时要求声明敏感属性suppression_limitNone最多可抑制的隐私单元数 0的整数suppression_rate0.0最多可抑制的隐私单元比例[0, 1]membership_max_inference_rateNone成员推理自测上限None表示不启用该门禁membership_max_candidates10_000成员自测候选行的最大数量 1max_lattice_nodes100_000泛化格最大节点数保护计算边界max_suppression_subsets100_000抑制子集搜索上限在to_dict()中抑制策略被固定编码为{mode: whole_privacy_unit, max_units: ..., max_rate: ...}即抑制总是作用于整个隐私单元而非单个单元格。人群假设的编码化与哈希化population_assumptions会被PopulationAssumptions.from_mapping处理成编码化上下文openmed/structured/privacy_lab.pyscope、unit、population_kind必须是短字符串任何自由格式的补充说明如备注文本不会被直接写入证据而是通过stable_hash生成details_digestsha256 前缀。这保证了证据 JSON 中不含可分享的原始文本。未提供假设时declaredFalse表示这是一次未声明人群背景的运行。结果对象与 PHI 安全设计StructuredPrivacyLabResultopenmed/structured/privacy_lab.py的关键属性result.profileStructuredTableProfile含 schema 版本、行数、逐列画像、缺失/唯一/稀有组合统计、人群假设、数据集与 schema 摘要dataset_digest / schema_digest。result.before/result.afterReleaseAssessment即转换前后的 k/l/t 评估。result.anonymizationAnonymizationResult其中的转换后记录仅通过result.records暴露供本地发布评审使用。result.meets_policy发布门禁与攻击门禁的合取——after.meets_policy且未配置成员上限或membership_after.meets_policy。result.evidenceStructuredPrivacyEvidenceReport即纯聚合证据报告。证据的 PHI 安全边界是硬性约定result.evidence只包含 schema 与数据集哈希、编码化参数、人群假设、前后 k/l/t 度量、转换与效用增量risk_delta、utility、受限成员测试结果与局限性声明绝不包含任何原始单元格值、记录标识符、等价类键或源路径。转换后的行只保留在本地结果对象中证据的序列化方法to_dict/to_json/to_markdown不会把它们带出去。回归测试 tests/unit/risk/test_structured_privacy_lab.py 明确断言序列化后的证据 JSON 中不出现合成记录 ID 与自由备注文本。证据报告StructuredPrivacyEvidenceReportopenmed/structured/privacy_lab.py遵循 NIST SP 800-188 取向的方法/证据报告结构包含method、parameters、population_assumptions、profile、source、before/after、transformation、utility、risk_delta、attacks.membership_inference、differential_privacy、meets_policy、limitations并以integrity_digest对 payload 的稳定哈希封口保证证据可复核、防篡改可检测。CLI 工作流openmed risk lab等价的本地命令行流程如下openmed risk lab input.jsonl \ --evidence structured-risk.json \ --output release.jsonl \ --qi age,postal_prefix \ --sensitive diagnosis \ --direct-id synthetic_record_id \ --k 3 --l 2 --t 0.5 \ --suppression-limit 2 \ --population-scope reviewed_synthetic_cohort \ --overwrite关键行为与退出码发布输出仅在门禁通过时写出--output指定的 release 文件只有在配置的发布门禁以及可选成员门禁全部通过时才被写入。源码 openmed/cli/main.py 中result.meets_policy为真且存在转换结果时才会调用write_table。失败策略仍产出聚合证据即使策略失败transformation_status failed_policy--evidence仍会被写入同时命令返回非零退出码EXIT_ERROR。也就是说失败不是无输出而是有证据、无发布、退出码非零。--membership-candidates传入候选行文件即可运行受限的本地成员推理自测bounded local self-test只有当该测试被纳入发布策略时才需要显式设置--membership-max-inference-rate。层次结构文件可通过--hierarchies传入 JSON 对象为泛化提供列级层次hierarchy配置见_load_lab_hierarchiesopenmed/cli/main.py。可重复的参数合并--qi与--qi-column同理--sensitive/--sensitive-column等会先合并再构造策略列名去重由StructuredPrivacyPolicy.__post_init__完成。CLI 的 human 输出会给出 Meets configured policy 通过/失败状态、转换状态、证据路径并固定提示 The evidence is aggregate-only and requires qualified expert review.openmed/cli/main.py。聚合差分隐私独立于行级发布的机制差分隐私Differential Privacy在本实验室中是一个独立于行级脱敏的聚合发布机制。实现位于 openmed/risk/aggregate_dp.py其模块文档明确写道账本只对命名聚合查询记账Laplace 机制拒绝行形状输入预算条目永远不构成单行已匿名化的证据。from openmed.risk import AggregateDPBudgetLedger, release_aggregate ledger AggregateDPBudgetLedger(max_epsilon1.0, max_delta0.0) aggregate release_aggregate( {count: 120}, ledgerledger, epsilon0.25, seedsynthetic-test-seed, )账本确定性组合与超额拒绝AggregateDPBudgetLedgeropenmed/risk/aggregate_dp.py以max_epsilon/max_delta声明总预算每次spend会先做投影检查若累计 epsilon/delta 超过上限则抛出DPAggregateBudgetExceeded且不修改账本原子失败。已提交的 spend 通过math.fsum做确定性基本组合basic compositioncompose()输出已花费/剩余预算exhausted属性在任一预算无剩余时为真。账本序列化结果固定包含scope: aggregate_only与row_level_anonymization: false。Laplace API只收标量或命名聚合映射release_aggregateopenmed/risk/aggregate_dp.py的输入被刻意限制为标量或命名数值聚合的映射list/tuple/set 等序列会被_aggregate_value直接以TypeError(row-level release is not supported by aggregate DP)拒绝从而防止调用者误把该操作当作行级发布。其机制要点尺度scalesensitivity / epsilon默认sensitivity1.0噪声为 Laplace 噪声_laplace_noise实现。该机制固定delta0delta ! 0.0即抛错因此AggregateDPBudgetLedger(max_epsilon1.0, max_delta0.0)是标准配置。传入seed时种子会与label一起被 SHA-256 派生为确定性随机源用于合成数据/离线测试的可复现生产调用方应省略 seed 以使用系统随机源random.SystemRandom。返回的AggregateDPRelease.to_dict()固定携带scope: aggregate_only、row_level_anonymization: false、spend 记账、组合后预算与两条 limitationsThis mechanism releases aggregates only. / It does not anonymize or authorize row-level release.。CLI 等价命令openmed risk dp-aggregate对应_handle_risk_dp_aggregateopenmed/cli/main.pyopenmed risk dp-aggregate aggregate.json \ --output dp-result.json \ --epsilon 0.25 \ --budget-epsilon 1.0 \ --budget-delta 0.0 \ --overwrite其中aggregate.json是一个命名数值聚合的本地 JSON 对象如{count: 120}。额外支持--sensitivity默认 1.0、--deltaLaplace 固定为 0、--label默认aggregate_query与--seed测试可复现。预算超限时命令以DPAggregateBudgetExceeded安全失败并返回非零退出码human 输出固定提示 This output is aggregate-only and is not row-level anonymization.与行级脱敏的明确分界必须强调差分隐私聚合预算不会转换、匿名化或授权任何行级发布。两条工作流在架构上是分离的结构化风险实验室负责行级的 k/l/t 度量、泛化与整隐私单元抑制输出可评审的转换后行聚合 DP 账本只对命名聚合查询记账与加噪拒绝行形状输入其输出row_level_anonymization: false。在证据报告中若传入dp_ledgerdifferential_privacy字段会序列化该账本否则输出{status: not_configured, scope: aggregate_only}openmed/structured/privacy_lab.py。局限性评审者必须自行补齐的部分实验室是刻意受限且本地化的四条硬性局限写死在证据报告默认值中k/l/t 度量只支持合格评审不构成匿名性认证k-匿名、l-多样性、t-接近度无法建模所有辅助信息源auxiliary sources成员推理结果是受限自测bounded self-test只测试提供的候选人群与声明的精确 QI 集不是通用攻击上界本工作流中的差分隐私仅适用于聚合查询不覆盖行级发布。因此评审者在决定是否发布数据之前必须自行记录并文档化辅助数据auxiliary data、接收方recipients、发布上下文release context、效用需求utility needs以及任何额外的攻击模型additional attack models。这一人工接管点正是该实验室与一键脱敏类工具的哲学分水岭——它产出的始终是可复核的证据而不是替你做决定的结论。实践建议与进一步探索先用合成数据打通流程仓库提供make_synthetic_privacy_fixture(group_count4, rows_per_group3)openmed/structured/privacy_lab.py生成确定性、明确标注为合成的 4 组 × 3 行样例含synthetic_record_id、age、postal_prefix、sensitive_outcome是跑通 Python 与 CLI 两条链路、核对证据 JSON 结构与 integrity_digest 的最快路径。用回归测试校准预期tests/unit/risk/test_structured_privacy_lab.py 覆盖了画像角色报告、缺失统计、人群假设哈希化、证据中不含原始值以及更严格泛化降低身份风险并报告效用损失等核心行为可直接作为你本地验证的参考基线。把证据与发布物分开保管按实验室设计release_rows转换后行与evidence_json聚合证据是两个独立产物——前者仅限本地评审使用后者才进入复核与留档链路二者结合dataset_digest/schema_digest/integrity_digest可做完整性对账。【免费下载链接】openmedLocal-first healthcare AI: clinical NER HIPAA PII de-identification that runs 100% on-device. 2,200 medical models, 21 languages, Apple MLX Python, no cloud, no patient data leaving your network. Apache-2.0项目地址: https://gitcode.com/GitHub_Trending/ope/openmed创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
OpenMed 结构化隐私与再识别风险实验室Structured Risk Lab实战指南【免费下载链接】openmedLocal-first healthcare AI: clinical NER HIPAA PII de-identification that runs 100% on-device. 2,200 medical models, 21 languages, Apple MLX Python, no cloud, no patient data leaving your network. Apache-2.0项目地址: https://gitcode.com/GitHub_Trending/ope/openmed导读结构化隐私与再识别风险实验室Structured Privacy and Re-identification Risk Lab是 OpenMed 中面向表格化临床数据的离线证据工作流它显式声明直接标识符、准标识符、敏感属性度量缺失率、唯一性与稀有组合并在确定性泛化与整隐私单元抑制前后分别测量 k-匿名、l-多样性与 t-接近度k-anonymity、l-diversity、t-closeness。本文基于 docs/privacy/structured-risk-lab.md 展开结合仓库源码openmed/structured/privacy_lab.py、openmed/risk/release.py、openmed/risk/aggregate_dp.py与回归测试tests/unit/risk/test_structured_privacy_lab.py深入讲解 Python 与 CLI 两套工作流、聚合差分隐私账本以及证据边界帮助你在本地完成可复核的隐私发布评估。实验室的定位与边界结构化隐私实验室是一个离线证据工作流不是一键脱敏开关。它完成四件事画像Profiling对显式声明的直接标识符、准标识符、敏感属性逐列统计缺失数、非空数、唯一值与稀有值数量在准标识符组合层面统计唯一组合数与稀有组合数并记录声明的编码化人群假设coded population assumptions。度量Measuring在确定性泛化与整隐私单元抑制whole-privacy-unit suppression前后分别测量 k-匿名、l-多样性与 t-接近度。输出证据Evidence产出可供合格评审qualified review使用的、仅含聚合信息的证据报告。明确否定Negative claims它不是合法安全港认证legal safe-harbor certification、不是专家决定Expert Determination、不是通用的匿名保证也不是一个授权发布的一维风险分数。这一边界被直接写进了证据报告的实现中StructuredPrivacyEvidenceReport的默认 limitations 包含四条固定声明例如 Metrics support qualified review and do not certify anonymity.见 openmed/structured/privacy_lab.py并在to_dict()中写入qualified_expert_review_required: True与standard_orientation: NIST SP 800-188。Python 工作流显式策略驱动实验室的核心理念是所有策略选择都是显式的——它不会替你推断准标识符集合也不会替你选择一个可接受的阈值。这一点在 openmed/structured/privacy_lab.py 中强制实现run_structured_privacy_lab要求要么传入显式policy要么以关键字形式提供quasi_identifiers与target_k缺失即抛出StructuredPrivacyLabError。最小可运行示例from openmed.structured import ( StructuredPrivacyPolicy, run_structured_privacy_lab, ) policy StructuredPrivacyPolicy( quasi_identifiers(age, postal_prefix), sensitive_attributes(diagnosis,), direct_identifiers(synthetic_record_id,), target_k3, target_l2, target_t0.5, suppression_limit2, membership_max_inference_rate0.0, ) result run_structured_privacy_lab( rows, policy, population_assumptions{ scope: reviewed_synthetic_cohort, population_kind: synthetic_fixture, }, membership_candidateslocal_candidate_rows, ) if result.meets_policy: release_rows result.records # Keep this separate from evidence. evidence_json result.evidence.to_json()StructuredPrivacyPolicy 参数全解StructuredPrivacyPolicyopenmed/structured/privacy_lab.py在__post_init__阶段会做三件事把列名规范化为去重元组、执行数值校验_validate_policy_numbers、并委托给 release 引擎的AnonymityPolicy做角色重叠与 k/l/t 语义校验从而保证实验室与既有患者级发布语义不漂移。各字段含义如下参数默认值说明quasi_identifiers必填准标识符列元组用于等价类分组与泛化target_k必填k-匿名目标必须是 1的整数实验室不替你选阈值sensitive_attributes()敏感属性列l-多样性与 t-接近度的评估对象direct_identifiers()直接标识符列不参与泛化non_sensitive_attributes()非敏感属性列与其它角色不允许重叠excluded_attributes()排除列不进入评估privacy_unitNone隐私单元列仅可同时出现在 direct_identifiers 中target_l1l-多样性目标 1时要求至少声明一个敏感属性l_metricdistinctl-多样性度量方式取值受 release 引擎的_SUPPORTED_L_METRICS约束target_t1.0t-接近度目标取值[0, 1] 1.0时要求声明敏感属性suppression_limitNone最多可抑制的隐私单元数 0的整数suppression_rate0.0最多可抑制的隐私单元比例[0, 1]membership_max_inference_rateNone成员推理自测上限None表示不启用该门禁membership_max_candidates10_000成员自测候选行的最大数量 1max_lattice_nodes100_000泛化格最大节点数保护计算边界max_suppression_subsets100_000抑制子集搜索上限在to_dict()中抑制策略被固定编码为{mode: whole_privacy_unit, max_units: ..., max_rate: ...}即抑制总是作用于整个隐私单元而非单个单元格。人群假设的编码化与哈希化population_assumptions会被PopulationAssumptions.from_mapping处理成编码化上下文openmed/structured/privacy_lab.pyscope、unit、population_kind必须是短字符串任何自由格式的补充说明如备注文本不会被直接写入证据而是通过stable_hash生成details_digestsha256 前缀。这保证了证据 JSON 中不含可分享的原始文本。未提供假设时declaredFalse表示这是一次未声明人群背景的运行。结果对象与 PHI 安全设计StructuredPrivacyLabResultopenmed/structured/privacy_lab.py的关键属性result.profileStructuredTableProfile含 schema 版本、行数、逐列画像、缺失/唯一/稀有组合统计、人群假设、数据集与 schema 摘要dataset_digest / schema_digest。result.before/result.afterReleaseAssessment即转换前后的 k/l/t 评估。result.anonymizationAnonymizationResult其中的转换后记录仅通过result.records暴露供本地发布评审使用。result.meets_policy发布门禁与攻击门禁的合取——after.meets_policy且未配置成员上限或membership_after.meets_policy。result.evidenceStructuredPrivacyEvidenceReport即纯聚合证据报告。证据的 PHI 安全边界是硬性约定result.evidence只包含 schema 与数据集哈希、编码化参数、人群假设、前后 k/l/t 度量、转换与效用增量risk_delta、utility、受限成员测试结果与局限性声明绝不包含任何原始单元格值、记录标识符、等价类键或源路径。转换后的行只保留在本地结果对象中证据的序列化方法to_dict/to_json/to_markdown不会把它们带出去。回归测试 tests/unit/risk/test_structured_privacy_lab.py 明确断言序列化后的证据 JSON 中不出现合成记录 ID 与自由备注文本。证据报告StructuredPrivacyEvidenceReportopenmed/structured/privacy_lab.py遵循 NIST SP 800-188 取向的方法/证据报告结构包含method、parameters、population_assumptions、profile、source、before/after、transformation、utility、risk_delta、attacks.membership_inference、differential_privacy、meets_policy、limitations并以integrity_digest对 payload 的稳定哈希封口保证证据可复核、防篡改可检测。CLI 工作流openmed risk lab等价的本地命令行流程如下openmed risk lab input.jsonl \ --evidence structured-risk.json \ --output release.jsonl \ --qi age,postal_prefix \ --sensitive diagnosis \ --direct-id synthetic_record_id \ --k 3 --l 2 --t 0.5 \ --suppression-limit 2 \ --population-scope reviewed_synthetic_cohort \ --overwrite关键行为与退出码发布输出仅在门禁通过时写出--output指定的 release 文件只有在配置的发布门禁以及可选成员门禁全部通过时才被写入。源码 openmed/cli/main.py 中result.meets_policy为真且存在转换结果时才会调用write_table。失败策略仍产出聚合证据即使策略失败transformation_status failed_policy--evidence仍会被写入同时命令返回非零退出码EXIT_ERROR。也就是说失败不是无输出而是有证据、无发布、退出码非零。--membership-candidates传入候选行文件即可运行受限的本地成员推理自测bounded local self-test只有当该测试被纳入发布策略时才需要显式设置--membership-max-inference-rate。层次结构文件可通过--hierarchies传入 JSON 对象为泛化提供列级层次hierarchy配置见_load_lab_hierarchiesopenmed/cli/main.py。可重复的参数合并--qi与--qi-column同理--sensitive/--sensitive-column等会先合并再构造策略列名去重由StructuredPrivacyPolicy.__post_init__完成。CLI 的 human 输出会给出 Meets configured policy 通过/失败状态、转换状态、证据路径并固定提示 The evidence is aggregate-only and requires qualified expert review.openmed/cli/main.py。聚合差分隐私独立于行级发布的机制差分隐私Differential Privacy在本实验室中是一个独立于行级脱敏的聚合发布机制。实现位于 openmed/risk/aggregate_dp.py其模块文档明确写道账本只对命名聚合查询记账Laplace 机制拒绝行形状输入预算条目永远不构成单行已匿名化的证据。from openmed.risk import AggregateDPBudgetLedger, release_aggregate ledger AggregateDPBudgetLedger(max_epsilon1.0, max_delta0.0) aggregate release_aggregate( {count: 120}, ledgerledger, epsilon0.25, seedsynthetic-test-seed, )账本确定性组合与超额拒绝AggregateDPBudgetLedgeropenmed/risk/aggregate_dp.py以max_epsilon/max_delta声明总预算每次spend会先做投影检查若累计 epsilon/delta 超过上限则抛出DPAggregateBudgetExceeded且不修改账本原子失败。已提交的 spend 通过math.fsum做确定性基本组合basic compositioncompose()输出已花费/剩余预算exhausted属性在任一预算无剩余时为真。账本序列化结果固定包含scope: aggregate_only与row_level_anonymization: false。Laplace API只收标量或命名聚合映射release_aggregateopenmed/risk/aggregate_dp.py的输入被刻意限制为标量或命名数值聚合的映射list/tuple/set 等序列会被_aggregate_value直接以TypeError(row-level release is not supported by aggregate DP)拒绝从而防止调用者误把该操作当作行级发布。其机制要点尺度scalesensitivity / epsilon默认sensitivity1.0噪声为 Laplace 噪声_laplace_noise实现。该机制固定delta0delta ! 0.0即抛错因此AggregateDPBudgetLedger(max_epsilon1.0, max_delta0.0)是标准配置。传入seed时种子会与label一起被 SHA-256 派生为确定性随机源用于合成数据/离线测试的可复现生产调用方应省略 seed 以使用系统随机源random.SystemRandom。返回的AggregateDPRelease.to_dict()固定携带scope: aggregate_only、row_level_anonymization: false、spend 记账、组合后预算与两条 limitationsThis mechanism releases aggregates only. / It does not anonymize or authorize row-level release.。CLI 等价命令openmed risk dp-aggregate对应_handle_risk_dp_aggregateopenmed/cli/main.pyopenmed risk dp-aggregate aggregate.json \ --output dp-result.json \ --epsilon 0.25 \ --budget-epsilon 1.0 \ --budget-delta 0.0 \ --overwrite其中aggregate.json是一个命名数值聚合的本地 JSON 对象如{count: 120}。额外支持--sensitivity默认 1.0、--deltaLaplace 固定为 0、--label默认aggregate_query与--seed测试可复现。预算超限时命令以DPAggregateBudgetExceeded安全失败并返回非零退出码human 输出固定提示 This output is aggregate-only and is not row-level anonymization.与行级脱敏的明确分界必须强调差分隐私聚合预算不会转换、匿名化或授权任何行级发布。两条工作流在架构上是分离的结构化风险实验室负责行级的 k/l/t 度量、泛化与整隐私单元抑制输出可评审的转换后行聚合 DP 账本只对命名聚合查询记账与加噪拒绝行形状输入其输出row_level_anonymization: false。在证据报告中若传入dp_ledgerdifferential_privacy字段会序列化该账本否则输出{status: not_configured, scope: aggregate_only}openmed/structured/privacy_lab.py。局限性评审者必须自行补齐的部分实验室是刻意受限且本地化的四条硬性局限写死在证据报告默认值中k/l/t 度量只支持合格评审不构成匿名性认证k-匿名、l-多样性、t-接近度无法建模所有辅助信息源auxiliary sources成员推理结果是受限自测bounded self-test只测试提供的候选人群与声明的精确 QI 集不是通用攻击上界本工作流中的差分隐私仅适用于聚合查询不覆盖行级发布。因此评审者在决定是否发布数据之前必须自行记录并文档化辅助数据auxiliary data、接收方recipients、发布上下文release context、效用需求utility needs以及任何额外的攻击模型additional attack models。这一人工接管点正是该实验室与一键脱敏类工具的哲学分水岭——它产出的始终是可复核的证据而不是替你做决定的结论。实践建议与进一步探索先用合成数据打通流程仓库提供make_synthetic_privacy_fixture(group_count4, rows_per_group3)openmed/structured/privacy_lab.py生成确定性、明确标注为合成的 4 组 × 3 行样例含synthetic_record_id、age、postal_prefix、sensitive_outcome是跑通 Python 与 CLI 两条链路、核对证据 JSON 结构与 integrity_digest 的最快路径。用回归测试校准预期tests/unit/risk/test_structured_privacy_lab.py 覆盖了画像角色报告、缺失统计、人群假设哈希化、证据中不含原始值以及更严格泛化降低身份风险并报告效用损失等核心行为可直接作为你本地验证的参考基线。把证据与发布物分开保管按实验室设计release_rows转换后行与evidence_json聚合证据是两个独立产物——前者仅限本地评审使用后者才进入复核与留档链路二者结合dataset_digest/schema_digest/integrity_digest可做完整性对账。【免费下载链接】openmedLocal-first healthcare AI: clinical NER HIPAA PII de-identification that runs 100% on-device. 2,200 medical models, 21 languages, Apple MLX Python, no cloud, no patient data leaving your network. Apache-2.0项目地址: https://gitcode.com/GitHub_Trending/ope/openmed创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
