過去十年以來，我們收集與存儲個人數據的能力呈現出爆炸式的增長。由于全球三分之二的人口能夠訪問互聯網，電子病歷成為常態，物聯網亦快速興起，這種趨勢很可能迎來愈演愈烈之勢。通過填寫在線調查或者統計瀏覽習慣，從金融或者醫療服務當中大規模收集到的信息擁有令人意外的巨大潛力。其推動了醫學、社會科學以及人工智能的科學進步，并有望徹底改變企業與政府的運作方式。

然而，大規模收集并使用詳盡的個人級數據也帶來了法律層面的隱私難題。最近，DeepMind共享英國國家健康服務局（NHS）醫療數據以及劍橋分析公司大量購買Facebook數據集等事件，都讓人們愈發關注個人數據的保密性、隱私性與道德使用等問題。

為此，數據匿名化也開始受到了廣泛關注。所謂匿名化，就是在共享數據集內容之前首先其其中的身份信息進行剔除，這也是各類研究與商業機構所采取的主要個人隱私保護范式。全球范圍內的各類數據法普遍認為匿名數據不再屬于個人數據，允許各方自由使用、共享以及銷售。例如，學術期刊正越來越多地要求作者向研究界提供匿名數據。雖然匿名數據的標準各不相同，但現代數據保護法（例如歐盟〈通用數據保護條例〉（GDPR）以及〈加州消費者隱私法案〉（CCPA）等）都認為數據集中的每個人都應通過匿名化方式得到保護。GDPR提出的要求進一步明確了這種新的匿名化標準：數據不應包含可能導致真實身份復原的明顯身份識別因素，這也將匿名化問題正式歸入法律范疇。

而為了保護這些有意或者無意間將自己的個人信息交予數據庫的用戶，大多數機構也會消除數據中的身份信息。在具體流程中，他們會刪除明顯的個人身份標識，包括姓名與社保號碼；有時也會采取其他預防性措施，例如向集合中引入隨機“噪聲”數據或者利用常規標識替換特定細節（例如將1990年3月7日出生，調整為1990年1月至4月間出生）。處理完成之后，代理機構即可發布或者出售這部分信息。

》》》 數據匿名化處理被證明無效

然而，事實證明，經過匿名化處理的數據集無法成功解決個人身份被復原問題。

2016年，記者從300萬德國公民的匿名瀏覽歷史數據集當中重新識別出多位政治家，并據此得到了其醫療信息與性取向結論。幾個月前，澳大利亞衛生部公開發布了涵蓋國內10%人口的去身份醫療記錄，但研究人員僅在6周之后就完成了重新識別。在此之前，有研究表明，我們完全可以利用基本人口統計學屬性結合診斷數據、出生年份、性別以及種族等基因組研究數據實現患者身份的唯一性識別。最后，研究人員們還發現，來自紐約的出租車路線、倫敦的共享自行車使用方式、里加的地鐵出行數據以及移動電話與信用卡數據集等所謂匿名信息，都可用于對個人進行唯一性識別。

關于這個論題，倫敦帝國理工學院計算隱私助理教授Yves-Alexandre de Montjoye作為作者之一，日前在《自然：通訊》雜志發表了名為《利用生成模型估算通過不完整數據集復原個人身份的成功率》（論文鏈接：https://www.nature.com/articles/s41467-019-10933-3）的研究論文，他表示，在過去25年當中，數據匿名化的基本作用就是在幫助我們在利用數據進行統計與研究之外，保護人們的隱私。然而，大部分常用的匿名化技術起源于二十世紀九十年代，也就是互聯網快速發展之前。換言之，這些匿名技術并沒有考慮到互聯網在收集個人健康、財務、購物以及瀏覽習慣等細節方面的強大能力，從而使得我們能夠相對容易地將匿名數據與特定個人關聯起來。

例如，如果私人偵探打算在紐約市尋找某人，已經確定其為男性、年齡在30到35歲之間且患有糖尿病，那么搜索工作將簡單得多。如果再配合其生日、孩子數量、郵政編碼、所在企業以及所擁有的車輛型號，那么他們甚至可以很快推斷出此人的真實身份。

過去幾年以來，Montjoye和其他研究人員曾先后發表多份研究報告，探討如何通過匿名購物數據或者健康記錄復原個人身份。他們提出了一種基于copula的生成方法，其能夠在完整度極低的數據集當中準確估算出特定人士被正確重新識別的可能性。在總計210名測試對象當中，他們的方法獲得的個體唯一性預測AUC分數范圍在0.84至0.97之間，代表其準確率已經非常可觀。利用這套模型，他們發現在使用15項人口統計屬性的任意數據集當中，美國普通民眾的真實身份有99.98%的機率被成功復原。雖然15項人口統計信息聽起來很多，但其中卻蘊藏著不容忽視的大問題——2017年，一家營銷分析公司曾意外發布了包含248項屬性的匿名數據集，涵蓋美國1.23億個家庭。

配合社會人口統計學、調查與健康數據集，Montjoye及其團隊證明這套模型在估算群體唯一性時的平均絕對誤差（MAE）為0.018；即使僅利用1%的數據比例進行訓練，其MAE仍可達到0.041。經過訓練，模型能夠準確預測出個體的重新識別結論是否正確：如果設定95%的準確度作為閾值（