无需重训练的隐私审计：Shift-aware score transport 校正分布偏移

针对审计者无法插入 canary、控制数据纳入或重训练模型的观测式隐私审计场景，研究者提出 Shift-aware score transport 方法，利用分布外非成员估计反事实的分布内非成员分数分布，并引入按名义传输隐私水平校准的保守修正。在多个存在分布偏移的数据集上，该方法给出更稳定的隐私估计，同时保持比基线更紧的下界。