本论文关注机器学习模型隐私审计的可扩展性问题。成员推理攻击（MIA）是评估模型是否泄露训练数据隐私的主流手段，但当前最先进的攻击需要训练大量计算昂贵的影子模型（shadow models），成本和算力开销极高，导致对大规模模型库或频繁迭代的模型进行系统性隐私评估在实践中难以落地。作者提出的核心研究问题是：能否用廉价、无需额外训练攻击模型的谱（spectral）指标，作为 MIA 脆弱性的代理度量？具体做法是采用源自重尾自正则化（heavy-tailed self-regularisation）框架的若干 WeightWatcher 权重谱指标，在图像分类与表格分类任务上进行评估，并将其与成员推理隐私泄露之间的关系，同传统泛化能力度量（如泛化差距 generalization gap）进行对比。实验发现：跨数据集上，稳定秩（stable rank）与整体 MIA 攻击成功率之间存在强正相关；而 Log alpha-Norm 在低假阳性率区间与 MIA 脆弱性呈一致的负相关。更重要的是，这些谱指标与隐私泄露的关联强度明显高于泛化差距所给出的关联。这说明神经网络的权重谱中可能携带了传统过拟合度量未能完全捕捉的隐私泄露信息，即“泛化好”并不必然等价于“隐私风险低”。论文由此倡导将谱分析作为可扩展隐私审计的一条有前景的研究方向，为在不训练影子模型的前提下快速筛查模型隐私风险提供了初步证据。该工作适合隐私审计、机器学习安全、模型发布风险评估方向的研究者与工程师阅读，属于方法论探索阶段的实证研究。