論文の概要: SplitAgent: A Privacy-Preserving Distributed Architecture for Enterprise-Cloud Agent Collaboration

• arxiv url: http://arxiv.org/abs/2603.08221v1
• Date: Mon, 09 Mar 2026 10:51:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.812463
• Title: SplitAgent: A Privacy-Preserving Distributed Architecture for Enterprise-Cloud Agent Collaboration
• Title（参考訳）: SplitAgent: エンタープライズクラウドエージェントコラボレーションのためのプライバシ保護型分散アーキテクチャ
• Authors: Jianshu She,
• Abstract要約: 現在のエージェントフレームワークは完全なデータ共有を前提としており、機密情報を持つエンタープライズ環境には適さない。 エンタープライズ側プライバシエージェントとクラウド側推論エージェントのプライバシ保護コラボレーションを可能にする,新たな分散アーキテクチャであるSplitAgentを提案する。 私たちの重要なイノベーションは、タスクセマンティクスに基づいたプライバシ保護に適応する、コンテキスト対応の動的サニタイズです。
• 参考スコア（独自算出の注目度）: 0.04061135251278187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enterprise adoption of cloud-based AI agents faces a fundamental privacy dilemma: leveraging powerful cloud models requires sharing sensitive data, while local processing limits capability. Current agent frameworks like MCP and A2A assume complete data sharing, making them unsuitable for enterprise environments with confidential information. We present SplitAgent, a novel distributed architecture that enables privacy-preserving collaboration between enterprise-side privacy agents and cloud-side reasoning agents. Our key innovation is context-aware dynamic sanitization that adapts privacy protection based on task semantics -- contract review requires different sanitization than code review or financial analysis. SplitAgent extends existing agent protocols with differential privacy guarantees, zero-knowledge tool verification, and privacy budget management. Through comprehensive experiments on enterprise scenarios, we demonstrate that SplitAgent achieves 83.8\% task accuracy while maintaining 90.1\% privacy protection, significantly outperforming static approaches (73.2\% accuracy, 79.7\% privacy). Context-aware sanitization improves task utility by 24.1\% over static methods while reducing privacy leakage by 67\%. Our architecture provides a practical path for enterprise AI adoption without compromising sensitive data.
• Abstract（参考訳）: 強力なクラウドモデルを活用するには、機密データを共有する必要があるが、ローカル処理の能力は制限される。 MCPやA2Aといった現在のエージェントフレームワークは完全なデータ共有を前提としています。 エンタープライズ側プライバシエージェントとクラウド側推論エージェントのプライバシ保護コラボレーションを可能にする,新たな分散アーキテクチャであるSplitAgentを提案する。 私たちの重要なイノベーションは、タスクのセマンティクスに基づいてプライバシ保護を適用する、コンテキスト対応の動的サニタイズです。 SplitAgentは、異なるプライバシ保証、ゼロ知識ツール検証、プライバシ予算管理を備えた既存のエージェントプロトコルを拡張している。 企業シナリオに関する包括的な実験を通じて、SplitAgentは90.1\%のプライバシ保護を維持しながら、83.8\%のタスク正確性を達成し、静的アプローチ(73.2\%の精度、79.7\%のプライバシ)を大幅に上回っていることを実証した。 コンテキスト対応のサニタイズにより、静的メソッドよりもタスクユーティリティが24.1\%向上し、プライバシリークを67\%削減する。 私たちのアーキテクチャは、機密データを妥協することなく、エンタープライズAI採用のための実践的なパスを提供します。

関連論文リスト

• Contextualized Privacy Defense for LLM Agents [84.30907378390512]
  LLMエージェントはますますユーザーの個人情報に作用するが、既存のプライバシー保護は設計と適応性の両方において制限されている。 我々は,新たなプライバシ防衛パラダイムであるCDI(Contextualized Defense Instructing)を提案する。 我々のCDIは、ベースラインよりもプライバシー保護(94.2%)と有用性(80.6%)のバランスが良好であることを示します。
  論文  参考訳（メタデータ） (2026-03-03T13:35:33Z)
• Device-Native Autonomous Agents for Privacy-Preserving Negotiations [0.0]
  本研究では,プライバシ保護交渉のためのデバイスネイティブな自律人工知能(AI)エージェントシステムを紹介する。 提案システムでは,ユーザハードウェアのみで動作するため,時間的制約をローカルに保ちながらリアルタイムの交渉が可能となる。 その結果、平均成功率は87%、クラウドベースラインよりも2.4倍のレイテンシ向上、ゼロ知識証明による強力なプライバシ保護が示されている。
  論文  参考訳（メタデータ） (2026-01-01T04:29:39Z)
• Privacy in Action: Towards Realistic Privacy Mitigation and Evaluation for LLM-Powered Agents [40.39717403627143]
  モデルに依存しないコンテキスト整合性に基づく緩和アプローチであるPrivacyCheckerを提案する。 静的ベンチマークを動的MPPとA2A環境に変換するPrivacyLens-Liveも導入しています。 私たちのデータとコードはhttps://aka.ms/privacy_in_action.orgで公開されます。
  論文  参考訳（メタデータ） (2025-09-22T08:19:06Z)
• MAGPIE: A dataset for Multi-AGent contextual PrIvacy Evaluation [54.410825977390274]
  LLMエージェントのコンテキストプライバシを評価するための既存のベンチマークは、主にシングルターン、低複雑さタスクを評価する。 まず、15ドメインにわたる158のリアルタイムハイテイクシナリオからなるベンチマーク-MAGPIEを示す。 次に、コンテキスト的にプライベートなデータに対する理解と、ユーザのプライバシを侵害することなくコラボレーションする能力に基づいて、最先端のLCMを評価します。
  論文  参考訳（メタデータ） (2025-06-25T18:04:25Z)
• AgentDAM: Privacy Leakage Evaluation for Autonomous Web Agents [66.29263282311258]
  我々は、AIウェブナビゲーションエージェントがデータ最小化のプライバシー原則に従うかどうかを測定する新しいベンチマークAgentDAMを紹介する。 我々のベンチマークは、現実的なWebインタラクションシナリオをエンドツーエンドでシミュレートし、既存のWebナビゲーションエージェントに適応する。
  論文  参考訳（メタデータ） (2025-03-12T19:30:31Z)
• Privacy-Enhancing Paradigms within Federated Multi-Agent Systems [47.76990892943637]
  LLMベースのマルチエージェントシステム(MAS)は、複数のエージェントを統合することで複雑な問題を解決するのに非常に効果的であることが証明されている。 本稿では、フェデレーションMASの概念を紹介し、フェデレーションMASと従来のFLの根本的な違いを明らかにする。 1)エージェント間の異種プライバシープロトコル,2)多人数会話の構造的差異,3)動的会話ネットワーク構造などである。 これらの課題に対処するため、我々はEPEAgent(Embedded Privacy-Enhancing Agents)を提案し、これはRetrieval-Augmented GenerationフェーズとRetrieval-Augmented Generationフェーズにシームレスに統合する革新的なソリューションである。
  論文  参考訳（メタデータ） (2025-03-11T08:38:45Z)
• Optimizing Cross-Client Domain Coverage for Federated Instruction Tuning of Large Language Models [87.49293964617128]
  大規模言語モデル(LLM)のためのFedDIT(Federated Domain-specific instruction tuning)は、分散プライベートデータと限定データを用いて、特定のドメインの性能を向上させることを目的としている。 データ不均一性ではなく、クロスクライアントなドメインカバレッジが重要な要素であることを実証的に証明します。 我々は多様性指向のクライアントセンターの選択と検索に基づく拡張を通じて、このカバレッジを明示的に最大化するアルゴリズムであるFedDCAを紹介する。
  論文  参考訳（メタデータ） (2024-09-30T09:34:31Z)
• Air Gap: Protecting Privacy-Conscious Conversational Agents [44.04662124191715]
  敵のサードパーティアプリがインタラクションのコンテキストを操作して,LDMベースのエージェントを騙して,そのタスクに関係のない個人情報を明らかにする,新たな脅威モデルを導入する。 本研究では,特定のタスクに必要なデータのみへのアクセスを制限することで,意図しないデータ漏洩を防止するために設計されたプライバシ意識エージェントであるAirGapAgentを紹介する。
  論文  参考訳（メタデータ） (2024-05-08T16:12:45Z)
• Privacy-Engineered Value Decomposition Networks for Cooperative Multi-Agent Reinforcement Learning [19.504842607744457]
  協力的マルチエージェント強化学習では、エージェントのチームは、指定されたタスクを学ぶために、チームの長期的な報酬を共同で最適化する必要がある。 プライバシエンジニアリングされた価値分解ネットワーク(PE-VDN)は、エージェントの環境相互作用データの機密性を保護しながら、マルチエージェント調整をモデル化する。 我々は,StarCraft Multi-Agent Competition (SMAC) にPE-VDNを実装し,バニラVDNの勝利率の80%を達成することを示す。
  論文  参考訳（メタデータ） (2023-09-13T02:50:57Z)
• Differential Privacy in Cooperative Multiagent Planning [27.194032494266086]
  我々は,到達不能な目的を持つマルコフゲームとして定式化された逐次決定問題について検討する。 エージェントの通信されたシンボル状態軌跡を民営化するために,差分プライバシー機構を適用した。 相関関係の価値を下げることにより、プライバシーに堅牢なポリシーを合成する。
  論文  参考訳（メタデータ） (2023-01-20T21:36:57Z)
• Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
  我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。 従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。 本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
  論文  参考訳（メタデータ） (2022-10-05T13:13:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。