该论文探讨了深度学习中的成员推理攻击，指出现有方法存在高误报率和识别能力不足的问题。研究引入新特征以提高攻击准确性，并通过实验验证了现有攻击难以同时实现高准确率和低误报率。此外，提出了基于蒙版图像建模的框架，展示了其在不同任务中的有效性。

本文介绍了一种基于蒙版图像建模的框架A^2MIM，可用于Transformers和CNNs网络，通过对补丁之间的相互作用的研究，发现该方法可以教授模型更好地处理中阶交互和提取通用特征的能力，并通过实验证明了该方法可以在不需要显式设计的情况下学习到更好的表示，并赋予骨干模型更强的能力，以适应于不同的下游任务。