号称"非个人身份信息"的面部局部图：能不能反推出这是谁

1 · 研究问题

一项研究把人脸切成局部区域（眼、眉、鼻、口）作为"非个人身份信息（non-PII）"来训练情绪识别模型，主张这样可以规避隐私法规、扩大可用数据。但"去掉整脸"不等于"去掉身份"。 在同一批局部图上训练一个身份再识别模型，能达到多少准确率？如果眼部区域就能以高准确率识别个体，那么"non-PII"这个前提不成立，整个隐私论证随之崩塌。 在预先固定的样本、对照与统计口径下，主效应的方向、幅度和不确定度分别是多少，结论能否在独立留出数据或独立重复中成立？

2 · 研究背景与空白

背景。 这条课题研究的不是“能不能做出一个结果”，而是一个现有结论在测量误差、样本差异和外推条件改变后还能不能站住。核心逻辑是把观察量、真实目标量与混杂因素分开：先用已知答案校验工具，再固定对照和重复单位，最后用误差棒判断差异。只给一个最高分、一次演示或一条相关关系，不能说明方法在新样本上可靠。

已有工作到哪一步。 BEHA034（2026 BEHA Grand Award）"Advancing AI Emotion Detection With Partial Faces"——摘要原文："training FER models currently relies on full face images that are restricted by data privacy regulations. Consequently, it remains unclear whether FER models can perform effectively when trained on non-personally identifiable data (non-PII)"；把公开数据集分割提取 non-PII 特征；初期结果：全脸 60–80% 准确，鼻口区与旋转图约 14%，眼与眉区不到 50%；"A second experiment using a larger, higher-resolution dataset improved convergence. After modifying model layers, rotated images and nose-mouth regions matched full-face at 60–80% accuracy."；结论是 non-PII 数据可有效训练 FER，从而"expand access to restricted datasets ... while preserving privacy protections"。摘要从未检验局部图是否真的不可识别身份——而这正是"non-PII"这个标签的全部含义所在。

空白在于：你产出隐私—效用曲面：横轴是切分粒度（全脸 → 上半脸 → 眼区 → 眼区+模糊 → 眼区+像素化），纵轴同时画两条线——情绪识别准确率与身份再识别准确率。这张图是本课题的全部价值：它把"隐私保护"从一个断言变成一个可测量的权衡，并能直接指出是否存在"情绪可识别而身份不可识别"的可用区间。这正是前作主张成立所必需、却从未被检验的那个前提。 五字段原文的研究问句是：一项研究把人脸切成局部区域（眼、眉、鼻、口）作为"非个人身份信息（non-PII）"来训练情绪识别模型，主张这样可以规避隐私法规、扩大可用数据。但"去掉整脸"不等于"去掉身份"。 在同一批局部图上训练一个身份再识别模型，能达到多少准确率？如果眼部区域就能以高准确率识别个体，那么"non-PII"这个前提不成立，整个隐私论证随之崩塌。 这适合一年期学生课题，因为可以把主任务裁成一个对象、一个主指标和一个独立复核；即使预期差异不出现，只要校验与统计功效过关，零结果仍能界定已有结论的适用边界。

3 · 可检验假设

H1 在加入本课题预先规定的控制、校正或独立验证后，主指标将沿五字段框架所述预期方向变化，且相对基线变化 ≥ 10% 或标准化效应绝对值 ≥ 0.5；若 95% 置信区间同时排除这两个门槛，则 H1 被否证。两种尺度只选与主指标有意义的一种，并在预实验前写死。

H2 若 H1 被否证，备择机制是假定原观察主要由测量误差、样本构成、基础率、时间漂移或未控制混杂驱动；比较“仅含原变量”与“加入机制变量”的模型，若主效应方向改变或绝对值下降 ≥ 20%，则支持机制解释，否则报告当前分辨率下未找到证据。

4 · 量化验收标准

1. 方法学校验硬门槛。 用自建管线、装置或代码重跑一个答案已知的合成算例/标准样；主量反算偏差须 ≤ 5%。不过关则停止，且后续全部结论无效。
2. 统计口径预先写死。 独立样本、技术重复和连续观测分开计数；测量类每个关键条件至少 3 次独立重复，技术重复只估计仪器噪声，并用误差传播或方差分量合成不确定度。极不平衡分类主报 PR-AUC、precision、recall，不以 accuracy 为主，因为全猜多数类也会虚高；时间序列按时间划分并把随机划分仅作泄漏对照。
3. 正式采集前固定主指标、排除规则、对照、效应方向与 10%（或标准化效应 0.5）判据；报告全部独立重复、效应量和 95% 置信区间，不只报 p 值或最佳一次。
4. 至少完成一项阴性对照和一项敏感性分析；改变关键阈值、预处理或模型选择时，主结论不得仅由单一任意选择决定。
5. 用独立批次、独立留出段或第二种原理不同的方法复核主量；不一致时优先报告不一致与误差预算，不平均成一个“更好看”的数字。
6. 可复现性。 保存原始数据、清洗记录、参数、环境版本、随机种子、脚本和排除日志；第三方应能重建主表与主图。

5 · 数据与工具

用途	来源 / 工具
研究对象与主问题	一项研究把人脸切成局部区域（眼、眉、鼻、口）作为"非个人身份信息（non-PII）"来训练情绪识别模型，主张这样可以规避隐私法规、扩大可用数据。但"去掉整脸"不等于"去掉身份"。 在同一批局部图上训练一个身份再识别模型，能达到多少准确率？如果眼部区域就能以高准确率识别个体，那么"non-PII"这个前提不成立，整个隐私论证随之崩塌。
原创切口	你产出隐私—效用曲面：横轴是切分粒度（全脸 → 上半脸 → 眼区 → 眼区+模糊 → 眼区+像素化），纵轴同时画两条线——情绪识别准确率与身份再识别准确率。这张图是本课题的全部价值：它把"隐私保护"从一个断言变成一个可测量的权衡，并能直接指出是否存在"情绪可识别而身份不可识别"的可用区间。这正是前作主张成立所必需、却从未被检验的那个前提。
前作与对照基准	BEHA034（2026 BEHA Grand Award）"Advancing AI Emotion Detection With Partial Faces"——摘要原文："training FER models currently relies on full face images that are restricted by data privacy regulations. Consequently, it remains unclear whether FER models can perform effectively when trained on non-personally identifiable data (non-PII)"；把公开数据集分割提取 non-PII 特征；初期结果：全脸 60–80% 准确，鼻口区与旋转图约 14%，眼与眉区不到 50%；"A second experiment using a larger, higher-resolution dataset improved convergence. After modifying model layers, rotated images and nose-mouth regions matched full-face at 60–80% accuracy."；结论是 non-PII 数据可有效训练 FER，从而"expand access to restricted datasets ... while preserving privacy protections"。摘要从未检验局部图是否真的不可识别身份——而这正是"non-PII"这个标签的全部含义所在。；仅用于校验与对比，不计入本项目的数据贡献
数据/样本	需核实：可取得数量、独立单位、标签/测量定义、许可与缺失情况；未确认内容不得写成已具备
分析工具	纯 CPU、16 GB 笔记本可运行的开源工具优先；需核实版本、许可、输入格式、分组/时序划分和不确定度输出能力
校验材料	已知答案的合成数据、标准样或公开基准；仅用于校验与对比，不计入本项目的数据贡献
风险边界	最可能死在算力（再识别模型需要训练）。规避方式：用度量学习/最近邻而非端到端训练——在局部图上提取轻量特征（HOG、小型预训练网络的冻结特征），做被试内/被试间的最近邻检索，报告 rank-1 识别率。这在 CPU 上完全可行，且再识别攻击的标准评估本来就用检索指标。数据须用公开、带被试 ID 的人脸表情数据集（这是 go/no-go：没有被试 ID 就无法评估再识别）。 人类受试者：不触发（公开发布的既有人脸数据集）。但必须严格遵守该数据集的使用许可，不得公开展示可识别的个体图像——展板上只能放聚合曲线，不能放人脸。

6 · 方法路径

1. 装环境或搭装置，跑通已知答案算例并完成校验。 锁定版本、单位、坐标/标签定义和误差计算；反算偏差 >5% 时只修方法，不进入正式样本。
2. 核实工具能力边界并逐条排查静默失败点。 五字段原约束为：最可能死在算力（再识别模型需要训练）。规避方式：用度量学习/最近邻而非端到端训练——在局部图上提取轻量特征（HOG、小型预训练网络的冻结特征），做被试内/被试间的最近邻检索，报告 rank-1 识别率。这在 CPU 上完全可行，且再识别攻击的标准评估本来就用检索指标。数据须用公开、带被试 ID 的人脸表情数据集（这是 go/no-go：没有被试 ID 就无法评估再识别）。 人类受试者：不触发（公开发布的既有人脸数据集）。但必须严格遵守该数据集的使用许可，不得公开展示可识别的个体图像——展板上只能放聚合曲线，不能放人脸。 此外检查单位或标签错位、全数据预处理泄漏、相关观测冒充独立 n、缺失值静默填 0、默认参数改变口径、输出正常但物理量方向或尺度错误；每项用最小反例测试，不能以“软件未报错”作为通过。
3. 预注册最小设计。 把主问题收敛为一个对象、一个主指标、一个主要对照；写死样本单位、重复数、阈值、排除规则和降级触发条件。
4. 采集或整理正式数据。 保留原始输入与时间戳/批次，盲化能盲化的标签；协议偏离当天登记，不覆盖原记录。
5. 估计主效应与不确定度。 同时报原口径与校正口径，给出误差棒、效应量、失败样本和敏感性曲线；分类、时序或测量问题按 §4 执行。
6. 检验 H2 与边界条件。 H1 不成立时不临时换题，而是量化测量误差、样本构成、基础率、时间漂移或混杂能解释多少。
7. 独立交叉校验。 使用独立批次、留出时间段或第二种原理不同的方法复算主量；失败时以“不一致”为主结果，不选择性保留支持预期的路径。

7 · 新颖性边界

本课题不声称什么： 不声称首次进入该主题，不声称重新发现或推翻前作，也不把前作的项目编号、年份、奖级、引文和数字据为本项目结果；具体已有工作是：BEHA034（2026 BEHA Grand Award）"Advancing AI Emotion Detection With Partial Faces"——摘要原文："training FER models currently relies on full face images that are restricted by data privacy regulations. Consequently, it remains unclear whether FER models can perform effectively when trained on non-personally identifiable data (non-PII)"；把公开数据集分割提取 non-PII 特征；初期结果：全脸 60–80% 准确，鼻口区与旋转图约 14%，眼与眉区不到 50%；"A second experiment using a larger, higher-resolution dataset improved convergence. After modifying model layers, rotated images and nose-mouth regions matched full-face at 60–80% accuracy."；结论是 non-PII 数据可有效训练 FER，从而"expand access to restricted datasets ... while preserving privacy protections"。摘要从未检验局部图是否真的不可识别身份——而这正是"non-PII"这个标签的全部含义所在。

已有工作做到哪一步： 五字段证据表明前作已完成其原始对象、方法或性能演示；本项目完整保留这条事实，不把摘要未写出的信息推断为“没有做”。数据集、器材规格、价格、货期或外部文献的任何补充均标为“需核实”。

本项目贡献（属「评价维度转换」；若使用全新独立对象则同时属「新样本独立检验」，若核心是校准与脚本则同时属「方法可复现性贡献」）： 你产出隐私—效用曲面：横轴是切分粒度（全脸 → 上半脸 → 眼区 → 眼区+模糊 → 眼区+像素化），纵轴同时画两条线——情绪识别准确率与身份再识别准确率。这张图是本课题的全部价值：它把"隐私保护"从一个断言变成一个可测量的权衡，并能直接指出是否存在"情绪可识别而身份不可识别"的可用区间。这正是前作主张成立所必需、却从未被检验的那个前提。 主结论是原结论在预注册控制与独立复核下的效应幅度及适用边界，不是附带造一个更复杂模型或装置。

为何有价值： 它把“看起来有效”转换为“在多大误差、何种样本和什么阈值下仍有效”。差异不显著同样是有效结论，但必须给出误差棒证明有能力分辨预注册的 10% 相对变化或标准化效应 0.5；置信区间过宽只能写“测不出来”。

8 · 决策门槛（go / no-go）

第 5 周末必须同时满足：校验偏差 ≤ 5%、至少取得计划独立样本的 20%、主指标能从原始输入稳定重算。任一不满足，立即启动具名降级路径 “单对象能力边界标定”：砍掉多对象/多模型比较，只保留最可得的一种对象、一个主指标和一个独立复核，转而报告误差、敏感性与最小可分辨效应；主结论仍是“原结论在什么条件下站得住”。

与“附属赛后不得修改”的冲突点：主指标、阈值、样本排除、对照、预处理和降级触发条件必须赛前定死。须提前核实： 最可能死在算力（再识别模型需要训练）。规避方式：用度量学习/最近邻而非端到端训练——在局部图上提取轻量特征（HOG、小型预训练网络的冻结特征），做被试内/被试间的最近邻检索，报告 rank-1 识别率。这在 CPU 上完全可行，且再识别攻击的标准评估本来就用检索指标。数据须用公开、带被试 ID 的人脸表情数据集（这是 go/no-go：没有被试 ID 就无法评估再识别）。 人类受试者：不触发（公开发布的既有人脸数据集）。但必须严格遵守该数据集的使用许可，不得公开展示可识别的个体图像——展板上只能放聚合曲线，不能放人脸。 同时核实许可、设备/软件真实能力、场地、表格和采购可得性。已知困难及其定位：这些限制就是能力边界，不用未经核实的规格填补。选择前提：学生愿意做重复、校验和零结果解释。预算裁剪顺序：先砍多模型/多材料，再砍次要指标，再砍展示性装置；不得砍校验、主要对照、独立重复和交叉验证。

净实验窗口按 2026-08 至 12 月约 3–4 个月规划。按实际对象核实合规：附属赛后项目不得更改；展台禁液体（含水）、土壤、玻璃、锐器、化学品、干燥粉末、>100 Wh 电池和通电无人机，禁网址与二维码；家中不得培养任何潜在危险生物制剂；涉及脊椎动物、人类受试者、激光、高真空或 SDS 标注的致癌致畸化学品时，须在相应动作前确认审批。AI 不得用于撰写研究计划、摘要、展板或引文。

评分： O=9, W=9, F=7, S=8, Fit=9 → base=85.0，h=5 → [80, 90]，置信度：高

---