Eye Tracking 隱私論文閱讀分析：真正敏感的不是你看了哪，而是別人能不能拿你的視線軌跡一直比下去
本文由 AI 產生、整理與撰寫。
論文基本資訊
- 論文標題：Secure Storage and Privacy-Preserving Scanpath Comparison via Garbled Circuits in Eye Tracking
- 作者：Süleyman Özdel、Vedad Işler、Sena Mutlu
- 年份：2026
- 來源：arXiv:2604.19422
- 論文連結：https://arxiv.org/abs/2604.19422
- DOI：10.48550/arXiv.2604.19422
- 主題：Privacy Engineering、Garbled Circuits、Eye Tracking、Biometric Privacy、Secure Computation
這篇論文有意思的地方，不是在於 eye tracking 本身，而是它碰到一個很典型、也會一路延伸到更廣泛感測資料與行為生物特徵場景的問題：
有些資料的價值，正好來自它非常個人化；也因此，一旦你想對它做比對、分析與儲存，隱私風險通常就跟著一起長出來。
scanpath 是使用者在畫面上觀看時的視線移動軌跡。它對 HCI、VR、行為研究、注意力分析與可用性研究都很有價值，但也天然帶著高度個人化訊號。這使得一個看似單純的任務──比較兩段 scanpath 有多像──在真實部署裡很快變成隱私工程問題：如果你要把原始 gaze sequence 交給服務端、分析商或第三方處理者，那你幾乎等於把可高度識別、可再利用的行為資料直接交出去。
這篇 paper 的核心主張很清楚：既然 scanpath comparison 是必要操作，那更合理的方向不是假設資料持有者會永遠被信任，而是把比對本身搬進可驗證的安全計算裡。
這篇在解什麼問題？
作者關心的是 privacy-preserving scanpath comparison。換句話說，他們不是只想把 gaze data 加密存起來，而是要進一步讓下列事情同時成立：
- 資料可以被安全儲存
- 系統仍然能計算 scanpath similarity
- 運算過程不洩漏雙方原始輸入
- 資料擁有者甚至可以在離線情況下，讓服務端協助完成部分處理
這個需求其實很典型。很多隱私問題不是「要不要分析」，而是想分析、也得分析，但不想因此把原始資料的控制權整個交掉。
在 eye tracking 場景裡，這尤其敏感，因為 gaze path 不只是一般 telemetry。它可能透露注意力模式、閱讀策略、操作習慣，甚至成為身份或健康狀態的側寫線索。當這些資料開始進入 VR、mobile 與更日常的 consumer platform，問題就不只是研究倫理，而是產品級的 privacy-by-design。
方法核心：把比較運算搬進 garbled circuits
作者採用的主要技術路線是 garbled circuits（GC）。如果用比較直白的方式講，GC 做的事情是：讓兩方可以在不互相揭露輸入的前提下，安全地共同計算某個函數的結果。這篇裡那個函數，就是各種 scanpath similarity/comparison 演算法。
論文提出兩種設定：
- two-party setting：資料擁有者與處理者共同計算 similarity score，但彼此不看到對方原始資料
- server-assisted setting：scanpath 以加密形式儲存與處理，資料擁有者可以離線，由 server 協助完成比較流程
這個設計值得注意的地方，在於它不是只處理「傳輸要加密」這種基本題，而是進一步處理計算階段本身也不能當成可信黑盒。也就是說，真正被保護的不只是 at-rest 或 in-transit，而是 in-computation。
作者把解密與 comparison 都放進 GC 裡執行，這代表服務端即使參與運算，也不應直接看到明文 scanpath。這種思路對更廣泛的隱私計算場景很有參考價值：只要你的商業價值來自比對、排序、相似度計算，那就該考慮連運算過程都一起縮進隱私邊界。
它實際評估了什麼？
作者在三個 eye-tracking dataset 上評估方法，觀察幾個面向：
- 與 plaintext 計算結果相比，secure computation 的 fidelity 是否接近
- runtime 與 communication overhead 是否能接受
- 在不同網路條件下是否仍可實際使用
- 對 MultiMatch、ScanMatch、SubsMatch 等 scanpath comparison 方法的支援效果
論文的主要結果是：安全版本的比較結果和明文版本相當接近，而且在 runtime 與通訊成本上仍維持可行。這不是「零成本安全」，但它至少把問題從理論可行推進到工程上可以考慮部署。
這點很重要。因為很多 privacy-preserving computation paper 都容易停在「安全性很好，但實際上太慢」。這篇雖然不是超大型系統 benchmark，但它至少在真實資料與多種網路條件下顯示：scanpath 這類行為資料的私密比對，不一定非得在可用性與隱私之間二選一。
這篇真正值得記住的地方
我覺得這篇最值得留下來的，不是某個 scanpath 指標在 GC 裡跑多快，而是它代表一個更普遍的安全設計方向：
下一代感測資料系統真正需要保護的，不只是資料庫，而是「誰能看原始資料」這件事本身。
當越來越多產品開始蒐集 gaze、gesture、voice、biosignal、usage trace 這類高維行為資料，最危險的做法往往不是沒有加密，而是默認所有分析都必須建立在明文可見上。這篇 paper 等於提醒我們，至少對某些核心任務，這個前提其實可以被改寫。
它也讓人想到幾個更大的延伸方向：
- 能不能把類似方法用在更一般的 behavioral biometric matching？
- 能不能和 trusted execution、federated analytics 或 differential privacy 結合，形成分層保護？
- 當感測資料不只被用來研究，而是直接進入商業產品決策流時，這種 secure comparison 會不會變成必要基礎設施？
限制與現實感
當然，這篇不是沒有邊界。
第一，它處理的是特定類型的 scanpath comparison，而不是一切 eye-tracking analytics。真實產品常常還包含更複雜的 session analytics、模型訓練、跨事件關聯與即時互動，這些成本可能比本文場景高得多。
第二，GC 雖然很適合做高保密運算，但一旦任務規模變大、資料長度增加、比較邏輯變複雜，效能壓力仍會快速上升。論文證明的是「這條路有實際可能」，不是「從此所有 gaze analytics 都能輕鬆私密化」。
第三，安全計算保住的是計算過程中的資料暴露，但不會自動解決所有治理問題。例如：
- 誰有權發起查詢？
- 比對結果本身是否可被濫用？
- 長期 query pattern 是否會造成 side-channel 累積風險？
所以它比較像是把一塊很關鍵的工程地基補起來，而不是整棟隱私治理大樓一次蓋完。
我的看法
如果只用一句話講這篇的價值，我會說：
這篇不是在證明 eye tracking 很安全，而是在示範一種更成熟的產品安全觀：當資料太敏感，就別再預設「可分析」必須等於「可看見明文」。
對 sectools 的讀者來說，它也許不像 agent、RAG、CTI pipeline 那麼直接熱門，但它碰到的是同一個底層命題：當高價值資料需要被運算時，安全邊界到底該畫在哪裡？
這篇給的答案很務實：至少在 scanpath comparison 這件事上，邊界可以畫得比我們平常以為的更裡面一點。