模型剪枝是深度学习中常用的压缩技术，迭代式剪枝能在保持较低效用损失的同时实现更好的压缩效果。然而，本文分析表明迭代剪枝显著增加了模型的记忆化程度，使得剪枝后的模型更容易受到成员推断攻击的威胁。现有的大多数成员推断防御方法都是针对原始未剪枝模型设计的，无法直接应用于迭代剪枝模型。为此，作者提出了一个新的防御框架WEMEM，旨在削弱迭代剪枝过程中的记忆化。具体而言，作者识别出导致迭代剪枝中记忆化增加的两个关键因素：数据重用和固有记忆性。这两个因素单独或共同作用形成了三种导致记忆化增强的场景。针对这些因素的特征，作者设计了三种防御原语，并通过组合这些原语提出了针对每种场景的定制防御方法。在10种自适应成员推断攻击下的全面实验表明，所提出的防御方法有效，并且在隐私-效用权衡和效率方面优于五种现有防御方法。此外，作者还增强了所提出防御方法的自动设置调整能力，以提高其实用性。

Phishpedia 是一种基于混合深度学习的方法，用于视觉上识别钓鱼网页。传统钓鱼检测通常只输出二分类结果（钓鱼或正常），缺乏解释性；而钓鱼识别方法通过将网页与预定义的合法参考进行视觉对比，能同时报告钓鱼结果及其仿冒的目标品牌，从而提供可解释的结果。然而，现有技术在视觉分析方面面临两大挑战：（1）准确识别网页截图中的品牌标识（logo）；（2）匹配同一品牌不同变体的logo。Phishpedia 设计了一个混合深度学习系统来解决这些问题：它使用一个高效的 logo 检测器定位网页中的 logo，并采用一个基于度量学习的匹配器将检测到的 logo 与已知品牌参考库中的 logo 进行比对，从而确定该网页所仿冒的品牌。与常见方法不同，Phishpedia 无需任何钓鱼样本进行训练，仅依赖于合法网站的参考信息。实验使用真实钓鱼数据，结果表明 Phishpedia 在识别准确率和运行效率上显著优于基线方法（EMD、PhishZoo、LogoSENSE）。此外，作者将 Phishpedia 与 CertStream 服务集成并部署，在 30 天内发现了 1,704 个新的真实钓鱼网站，其中 1,133 个未被 VirusTotal 中的任何引擎报告，证明了其实际效果和增量价值。