本文首次系统研究了神经网络剪枝过程中的隐私风险，特别是成员推理攻击（Membership Inference Attacks）的影响。作者指出，现有的剪枝研究主要关注如何在保持模型精度的同时提高稀疏性，但忽略了剪枝可能带来的训练数据记忆化风险。通过实验，他们发现剪枝过程会导致模型在成员（训练集数据）和非成员（非训练集数据）上的预测行为产生差异（即预测发散），并且这种发散在不同类别上表现不同。基于此观察，作者提出了一种基于自注意力机制的成员推理攻击方法，专门针对剪枝后的神经网络。该攻击利用剪枝导致的预测发散，通过自注意力权重聚焦于发散显著的样本，从而更准确地推断数据是否属于训练集。实验表明，该方法在多个剪枝方法、稀疏度水平和攻击知识假设下，均优于现有的八种成员推理攻击。此外，作者还提出了一种基于KL散度的防御机制，通过最小化剪枝前后模型预测分布的差异来缓解预测发散，从而保护隐私。实验证明，该防御在保持模型稀疏性和精度的同时，有效降低了成员推理攻击的成功率。该研究适合AI安全研究人员、隐私保护工程人员以及模型压缩领域的从业者阅读。

本文研究了同态加密（HE）环境下神经网络推理的结构化剪枝对模型可靠性的影响，并提出了多项式敏感度感知剪枝方法（PSAP）。背景：同态加密允许对加密数据进行计算，但计算开销大，结构化剪枝是降低开销的关键技术，然而剪枝可能引入可靠性问题，如对位错误敏感。核心贡献：PSAP联合考虑权重幅度、多项式激活敏感度和旋转成本对滤波器进行评分，将剪枝集中在容错区域。实验在两种架构（ResNet-32等）、两个数据集、两种数值表示（int32, CKKS）和五种比特错误率下进行，包含40个全模型和108个每层实验。结果显示，PSAP剪枝模型将灾难性精度下降（>10%准确率下降）的层数限制在最多2层，而基于幅度的基线模型有5-14层受影响；在int32比特翻转注入下，最坏情况脆弱性降低最多29倍。直接CKKS加密故障注入表明安全操作边界在比特错误率（BER）约10^{-5}附近，支持int32注入作为保守可靠性代理。关键结构层仅占总参数量的1.1%，可选择性加固且开销极小。效率方面：在ResNet-32上，PSAP减少Halevi-Shoup旋转次数达45.2%；自适应混合度数分配方案将乘法深度从66降至56，无需bootstrapping即可实现分级推理。该论文是首个系统表征剪枝对同态加密神经网络可靠性影响的工作，为安全高效的加密推理提供了新方法。