本论文研究了机器学习中数据重要性（data importance）与各类攻击脆弱性之间的关系。尽管已有工作表明不同训练样本对模型效用的贡献存在差异，但“高价值数据是否更容易受到攻击”这一关键问题尚未被系统回答。作者分析了五种典型攻击类型（包括成员推断、模型窃取等），发现高重要性样本在成员推断和模型窃取攻击中表现出更高的脆弱性。具体而言，通过将样本特征整合到成员指标中（引入样本特定标准），成员推断的性能得到显著提升。该发现揭示了数据价值与攻击风险之间的正向关联，强调了在设计防御机制时需要平衡模型效用与高价值数据保护。实验部分对多种数据集和模型架构进行了验证，结果表明该现象具有普遍性。论文的核心贡献在于首次系统性地量化了数据重要性对不同攻击类型的影响，并提出了利用重要性信息增强成员推断的新思路。适合机器学习安全、隐私保护领域的研究者和安全工程师阅读。