Les serveurs d'accès à distance permettent aux analystes d'obtenir des statistiques, paramètres de modèles et autres résultats sans accès direct au jeu de données. Cette stratégie réduit le risque de divulgation, mais reste sensible aux attaques d’appartenance, qui prédisent à partir du modèle obtenu si une observation faisait partie ou non des données utilisées. Ceci peut être préjudiciable en soi si tous les individus partagent un attribut sensible tel qu'une maladie, et peut être utilisé pour permettre d'autres attaques. Nous montrons ici comment faire une divulgation d'attributs avec une attaque d'appartenance. Nous illustrons le succès de la stratégie à l’aide de résultats expérimentaux sur des forêts aléatoires entrainées pour résoudre une tâche de classification. Nous explorons également la relation entre ces attaques et l'imputation, et combinons des stratégies d'imputation avec l'attaque proposée pour améliorer notre taux de divulgation.