提出了一种名为PartCrop的统一成员推断方法，通过剪裁图像中的对象部分来查询表征空间中的图像响应，以应对不同训练协议和结构的自监督模型的攻击。评估了早停和差分隐私这两种方法来防御PartCrop攻击，并提出了一种名为收缩裁剪尺度范围的个性化方法。

该论文介绍了一种基于树的可变系数模型，使用循环梯度提升机对系数函数进行建模。该模型实现了基于维度的早停和特征重要性得分，降低了过拟合风险并揭示了维度之间的模型复杂性差异。在评估中，该模型在样本外损失方面与神经网络可变系数模型相当。