模型剪枝是深度学习中常用的压缩技术，迭代式剪枝能在保持较低效用损失的同时实现更好的压缩效果。然而，本文分析表明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断攻击的威胁。现有的大多数成员推断防御方法都是针对原始未剪枝模型设计的，无法直接应用于迭代剪枝模型。为此，作者提出了一个新的防御框架WEMEM，旨在削弱迭代剪枝过程中的记忆化。具体而言，作者识别出导致迭代剪枝中记忆化增加的两个关键因素：数据重用和固有记忆性。这两个因素单独或共同作用形成了三种导致记忆化增强的场景。针对这些因素的特征，作者设计了三种防御原语，并通过组合这些原语提出了针对每种场景的定制防御方法。在10种自适应成员推断攻击下的全面实验表明，所提出的防御方法有效，并且在隐私-效用权衡和效率方面优于五种现有防御方法。此外，作者还增强了所提出防御方法的自动设置调整能力，以提高其实用性。