离线优先的家庭文档隐私清点与可验证删改工具

1 · 创新命题

中 面向需要向学校、房东、保险机构上传表格的家庭，做一个完全离线的文档隐私清点工具：在 本机标出姓名、证件号、住址、健康信息与隐藏元数据，生成可人工确认的删改副本和“不可恢复”验证报告， 相对把原件传给在线 PDF 编辑器的流程移除云端副本，并把漏删字段率量化到可审计。 EN An offline privacy inventory for families sharing forms with schools, landlords and insurers: it finds sensitive text and hidden metadata, produces a human-approved redacted copy, and verifies that removed content cannot be recovered—without uploading the original to a cloud editor.

2 · 背景与空白

家庭常用黑框遮盖 PDF，但视觉遮住不等于删除底层文字；EXIF、批注、历史对象和文件名也会泄漏。 Adobe Acrobat Pro 有 Redact，Microsoft Presidio 可识别 PII，ExifTool 可删元数据；三者分别解决 编辑、实体识别和元数据，却没有把“发现—人工确认—不可恢复验证—分享收据”做成普通家庭能理解的 离线流程。空白在：不是再训练一个命名实体模型，而是把多层泄漏面与验证步骤合成一份可交付证据。 项目允许得出否定结论：若 OCR 文档漏检过高，就明确限定只支持数字原生 PDF，而不假装覆盖所有文件。

3 · 可检验假设

H1 在预先注入已知 PII 与隐藏对象的数字 PDF/扫描件测试集中，离线管线对高风险字段的召回率 ≥ 0.95、每页误报中位数 ≤ 2，且经删改后的文件用 pdftotext、对象解包与元数据扫描均无法恢复目标字段。 H2（采纳）与“在线编辑器 + 手工检查”相比，首次使用者完成同一任务的中位时长不增加超过 20%， 并有 ≥ 80% 的受测者能正确解释验证报告中的“已删除”和“仅遮挡”差异。

4 · 量化验收标准

1. 【方法学校验 · 硬门槛】 用自建管线复现 Microsoft Presidio 官方至少 3 组公开 PII 识别示例与 veraPDF/ExifTool 的已知元数据样例；实体边界 F1 与参考输出偏差 ≤ 5 个百分点，注入的 20 个隐藏字段检出率 100%。此条不过，后续全部结论无效。
2. 自建测试集 ≥ 300 页，至少含数字 PDF、扫描 PDF、表格、批注层与图片元数据；敏感内容全部为 合成数据，不使用真实证件。
3. 任务是极不平衡检测：报 PR-AUC、召回、精确率与每页误报数，明确不报 accuracy，因为绝大多数 token 不是 PII；按文档模板划分训练/测试，禁止同模板页面跨集。
4. 删改后同时用文本提取、对象流解包、复制粘贴、缩略图和元数据五种恢复测试；任何一项恢复即失败。
5. 完成 ≥ 10 名成年志愿者的可用性测试；只记录任务时间和错误类型，不留存其文件内容。

5 · 数据与工具

用途	来源 / 工具
公开校验	Microsoft Presidio 示例语料、veraPDF 测试文件、ExifTool 样例 —— 仅用于校验与对比，不计入本项目数据贡献
文档解析	PyMuPDF、OCRmyPDF/Tesseract；前者可读对象，后者 OCR，均不保证复杂表格顺序正确
PII 识别	Presidio + 自写规则；内置通用实体，地区证件格式需自己实现并逐项核实
恢复审计	pdftotext、qpdf --qdf、ExifTool、veraPDF
硬件/成本	普通 8 GB 内存笔记本；无新增硬件，OCR 速度依机器而异，需实测

能力边界：离线不等于安全；恶意 PDF 解析仍需沙箱。最容易犯的致命错误是把黑色矩形覆盖 当作删除成功，因此“可恢复性五检”必须是核心证据，不是演示彩蛋。

6 · 赛季执行路径

1. 第 1–2 周：建立合成注入器与恢复审计器，完成方法学校验。
2. 第 3 周：实现数字 PDF 的对象级清点和安全重写，先不接 OCR。
3. 第 4–5 周：接 Presidio 与地区规则；冻结实体类别和统计口径。
4. 第 6 周：加入扫描件 OCR，按文档模板分组评估并记录失败类型。
5. 第 7–8 周：做五种恢复攻击与格式回归测试，形成“隐私收据”。
6. 第 9 周：可用性测试；第 10 周按错误而非主观偏好改界面。
7. 第 11–12 周：威胁模型、单位经济与简述；学生须能白板解释规则、OCR 和实体识别的边界。

7 · 新颖性边界

不声称：不发明新的 OCR、NER 或 PDF 标准；不保证识别所有 PII；不把离线运行等同于合规认证。 已有工作：Adobe Acrobat Pro 提供 Redact；Microsoft Presidio 做 PII 检测；ExifTool 删除元数据； Dangerzone 把不可信文档转为安全 PDF。本项目贡献是面向家庭分享场景，把内容、对象层与元数据 的删改整合为可验证工作流，并输出第三方可复查的隐私收据。护城河类型：工作流替换（D）+ 零云资源约束（B）；真正壁垒是持续扩充的失败文档库，不是可复制的识别模型。

8 · go/no-go

第 3 周末：数字 PDF 的 20 个注入字段若仍有任一可恢复，停止加入 OCR，降级为 “数字原生 PDF 可验证删改器”，主结论仍是离线发现—删除—证明闭环。 第 6 周末：扫描件高风险字段召回 < 0.85，则具名降级为 OCRmyPDF 预处理后人工双确认模式， 产品不再自动放行扫描件；第 9 周若任务中位时长超过基线 1.5 倍，则保留验证器，删去复杂自动编辑界面。