在人工智能系统日益渗透到招聘、内容推荐等社会关键领域的今天，公平性度量已成为研究与实践的核心关注点。然而，这些度量往往依赖于种族、民族等受法律严格约束或文化高度敏感的 demographic 信号，数据获取与使用的难度极大。针对这一挑战，一篇于2026年6月25日提交至 arXiv（编号2606.27558）的论文提出了“隐私保护的概率性种族/民族估计”（Privacy-Preserving Probabilistic Race/Ethnicity Estimation，简称PPRE）方法，旨在以隐私保护的方式对美国 LinkedIn 用户进行基于种族/民族的公平性度量。
PPRE 方法的核心在于融合两个互补的数据源：一是贝叶斯改进的姓氏地理编码估计器（BISG），它利用用户的姓氏和地理信息推断其种族/民族概率分布；二是稀疏的“金标准”调查集，其中包含用户自愿自我报告的人口统计信息。通过将这两种数据源相结合，PPRE 能够在聚合层面获得更准确的估计，同时避免依赖单一数据源的偏见。
为了保护这些敏感数据，PPRE 集成了三种前沿隐私技术：安全两方计算（2PC）确保数据在计算过程中不泄露给任何一方；差分隐私（DP）为查询结果添加噪声，防止个体信息被推断；加法同态加密（AHE）允许在加密数据上直接进行运算，无需解密。这些技术的结合使得 PPRE 能够在完全不暴露个人敏感信息的前提下，输出可靠的公平性评估结果。
论文详细阐述了 PPRE 的隐私保证，并展示了其在两个关键场景中的效果：候选人端（例如用于招聘算法的公平性评估）和观众端（例如用于内容推荐系统的公平性监测）。作者还提出了一个“可转移框架”，旨在帮助其他社交平台或机构构建类似的隐私保护度量基础设施，从而在严格遵守隐私法规的同时推动算法公平性的提升。这项研究不仅为 LinkedIn 提供了一种生产级公平性度量方案，也为整个行业在隐私约束下进行敏感数据利用树立了范例。