本文提出了一种新的DPMM的分布式MCMC推理方法（DisCGS），通过使用合适的统计量和折叠的吉布斯采样器，在独立异构的机器间处理分布式数据，具备应用能力。该方法在横向联合学习中取得了显著的可扩展性和执行时间缩短200倍，不影响聚类性能。

本文揭示了机器学习模型上的会员推断攻击可以暴露个人敏感信息，推导了攻击的有效性与成功的统计量，并提供了对统计量的上下界。