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。

随着同态加密（HE）技术被用于保护神经网络推理中的隐私数据，其计算和存储开销成为主要瓶颈。结构化剪枝是降低HE加密神经网络（ENN）计算复杂度的有效手段，但现有剪枝方法主要关注压缩率或精度保持，而忽略了剪枝对模型可靠性的影响。本文首次系统性地刻画了CKKS加密神经网络在剪枝后的可靠性特征，并提出了一种可靠性感知的结构化剪枝方法——多项式敏感性感知剪枝（PSAP）。PSAP在剪枝决策中联合考虑三个指标：权重幅度（传统重要性）、多项式激活敏感性和旋转成本。其中，多项式激活敏感性衡量模型对激活函数输出扰动的容忍度，旋转成本则与HE中重排操作的效率直接相关。通过将剪枝集中在故障容忍度较高的区域，PSAP能够在保持竞争力的效率的同时显著增强抗比特翻转能力。实验覆盖两个架构（ResNet-32、VGG-16）、两个数据集（CIFAR-10、CIFAR-100）、两种数值表示（定点、浮点）和五种比特错误率（BER），共40个全模型和108个逐层实验。结果显示，PSAP剪枝模型将灾难性精度下降（>10个百分点）的层数约束在最多2个，而幅度剪枝基线为5至14个；在int32比特翻转注入下，最坏情况脆弱性降低最高达29倍。直接CKKS加密故障注入表明安全操作边界接近BER≈10^{-5}，并验证了int32注入可作为保守的可靠性代理。此外，故障关键的结构层仅占参数总量的1.1%，为选择性加固提供了极小开销的方案。在效率方面，PSAP在ResNet-32上减少Halevi-Shoup旋转次数达45.2%，并利用自适应混合度分配将乘法深度从66降至56，从而无需自举即可实现层级推理。本文的核心贡献在于：揭示了剪枝对ENN可靠性的影响，提出了同时考虑效率和可靠性剪枝方法，并通过全面实验证明了该方法在安全性与计算效率之间的良好权衡。该工作对隐私保护机器学习的可靠部署具有重要指导意义。