该论文是一篇面向机器学习隐私推断风险的系统化知识（SoK）综述。研究背景是：机器学习模型在生产环境的部署可能使攻击者推断出与训练数据相关的敏感信息，已有大量文献分析了各类推断风险，如成员推断攻击、重建攻击等。受密码学中基于博弈（即概率实验）研究安全性质的成功方法启发，一些研究者也开始用博弈风格来描述机器学习中的隐私推断风险。然而，不同文献对攻击者能力和目标的表述存在微妙差异，导致这些结果难以相互关联和组合，阻碍了知识的系统化积累。为此，作者提出了一种统一的基于博弈的框架来整理现有的知识体系。该框架的核心贡献有三点：（1）为各类隐私推断风险的定义提供了统一的结构性描述，使得不同定义可以在一个共同语言下进行比较；（2）形式化地建立了已有定义之间已知的蕴含等价关系，严谨地刻画了它们之间的联系；（3）发现了此前未被揭示的新关系，这些关系在缺乏统一框架时很难被直观察觉。通过该框架，研究者可以将不同来源的推断风险定义映射到统一的博弈空间中，从而更清晰地评估模型面临的隐私泄漏态势，并为后续的防御研究提供理论基准。本文适合机器学习安全与隐私领域的研究人员、模型风险评估人员以及希望理解隐私推断攻击内在机理的密码学背景安全分析师阅读。由于仅基于摘要，本文档为摘要分析级别。