模型剪枝是压缩深度学习模型的技术，迭代剪枝能在较低效用损失下获得更好的压缩效果。然而，本文分析发现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理攻击（MIA）。现有的大多数MIA防御方法主要针对原始未剪枝模型，对迭代剪枝模型效果有限。为此，本文提出了一种名为WEMEM的新框架，旨在削弱迭代剪枝过程中的记忆化。具体而言，分析识别出导致迭代剪枝中记忆化增加的两个重要因素：数据重用和固有记忆性。考虑两者的单独及组合影响，形成三种导致迭代剪枝模型记忆化增强的场景。根据这些因素的特征，设计了三种防御原语，并通过组合这些原语，针对每种场景提出了有效的防御方法。在十种自适应MIA下的综合实验证明了所提出防御的有效性。此外，与现有五种防御方法相比，本文的防御在隐私-效用权衡和效率方面表现更优。同时，还增强了自动调整设置以达到最优防御的能力，提升了实用性。