BR-MoE：重复交通描述的隐私预算核算

基于摘要分析。本文研究交通摄像头场景描述在重复发布时的隐私泄露问题，提出 BR-MoE，以受预算约束的语义发布接口扩展既有强化学习与 mixture-of-experts 框架。其主要贡献不是用文字替代图像，而是在任务相关描述的持续发布过程中引入可审计的隐私预算核算。 方法上，四个场景专家先处理相互隔离的视频片段，再将输出映射至固定、有界的语义模式。强化学习控制器依据公开任务请求和此前的隐私保护发布结果，选择发布哪些专家摘要及分配多少隐私预算；独立隐私过滤器负责约束总预算。系统在摘要转为文本前加入校准噪声，并支持复用既有摘要而不产生新的披露。 作者报告，在明确的视频片段隔离与有界事件假设下，完整发布记录满足事件级差分隐私界限。这一保证不能直接等同于对个人完整活动轨迹的隐私保护；事件定义、相邻数据关系、噪声机制及预算组合方式仍需核对全文。 摘要提出覆盖交通任务效用、隐私攻击、发布新鲜度和计算成本的评估协议，但明确说明表格仅用于展示预期报告格式，不证明经验性能提升。具体数据、基线、实验协议、消融及统计信息尚未验证。本文主要对象是交通视频语义发布，材料未提供 EEG/BCI 对应机制或验证，不据此推导脑信号分析效果。