该论文系统性地研究了基于神经架构搜索（NAS）搜索得到的网络架构在隐私攻击下的鲁棒性问题。以往研究主要关注 NAS 如何高效地搜索出性能更优的架构，但忽略了这些自动生成的架构在隐私保护方面的表现；与此同时，已有大量工作表明人工设计的架构容易受到成员推理等隐私攻击。本文首次填补了这一空白，对 NAS 架构的隐私风险进行了大规模度量。作者基于度量结果，进一步分析了基于 cell 的 NAS 架构中 cell 模式（cell patterns）与隐私风险之间的关联，探究了不同 cell 结构对成员推理攻击等隐私威胁的影响。通过广泛实验，论文揭示了如何设计对隐私攻击具有鲁棒性的 NAS 架构，并提出了一种通用方法论，用于理解 NAS 搜索得到的架构与其他隐私风险之间的隐藏相关性。该研究为 NAS 社区和隐私安全社区提供了交叉视角，有助于推动隐私感知的自动化架构搜索，并为评估 NAS 架构的安全属性提供了新思路。适合对自动化机器学习安全、隐私攻击与防御感兴趣的研究人员阅读。