交通摄像头能够提供有价值的分析，但其输出容易泄露个人隐私。用文本替代图像可以降低直接的视觉暴露，却没有给出明确的泄露上限。
已有的强化学习+专家混合（RL+MoE）框架通过相关性、覆盖度和简洁性奖励来细化场景描述，但未考虑在固定隐私预算下的多次发布。
本文在该框架基础上提出预算语义发布。四个场景专家首先对独立的视频片段进行处理，并将结果映射到固定且有界的语义模式中。
强化学习控制器依据公开的任务请求和历史私有发布，决定选取哪些专家摘要以及分配多少隐私预算。
独立的隐私过滤器负责累计预算的约束，并在摘要转为文本前加入校准噪声。在片段隔离和事件有界的假设下，完整的发布记录满足事件级差分隐私。
该设计还能在不产生新泄露的前提下复用已有摘要。
评估协议覆盖交通效用、隐私攻击、发布新鲜度和计算开销。示例表格展示了预期的报告格式，但未给出实证提升。
本文的核心贡献是一个面向任务的发布接口，能够对重复的交通描述进行可审计的隐私计量。
点评