g) 应支持自定义评估指标和评估流程，满足不同场景下的需求。 6.3.2 可信评估 a) 应具备在不同环境和条件下通过调试信息展示推理过程，获得稳定且可持续的高准确率的能力， 如政务大模型对输入样本扰动具有一定的容忍程度； b) 应具备对于推理和决策过程的解释能力； c) 应留存完整审计日志，记录模型推理请求来源、数据调用路径、异常行为捕获等信息，支持动 态监测与追溯分析； d) 应支持代码

数据去标识化：去标识化是指从数据集中移除可直接识别个人 的信息，如姓名、身份证号码、联系方式等。通过这种方式， 数据集中的信息只能反映用户的行为或特征，而不再能够指向 特定的个体。 2. 噪声添加：在某些情况下，可以对数据进行扰动，即向数据中 添加一定量的随机噪声。通过这种方式，尽管数据仍然能够进 行分析，但实际的输入值已经被有效地扭曲，从而保护用户的 隐私。 3. 聚合处理：将用户数据进行汇总和聚合后再进行分析，这意味

数据失真技术通过扰动(perturbation)原始数据来实现隐私 保护。它要使扰动后的数据同时满足： ( 1) 攻击者不能发现真实的原始数据。也就是说，攻击者 通过发布的失真数据不能重构出真实的原始数据。 ( 2) 失真后的数据仍然保持某些性质不变，即利用失真数 据得出的某些信息等同于从原始数据上得出的信息。这就保证 了基于失真数据的某些应用的可行性。  扰动(perturbation)原始数据