論文の概要: PlanTwin: Privacy-Preserving Planning Abstractions for Cloud-Assisted LLM Agents
- arxiv url: http://arxiv.org/abs/2603.18377v1
- Date: Thu, 19 Mar 2026 00:32:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-20 17:19:05.89238
- Title: PlanTwin: Privacy-Preserving Planning Abstractions for Cloud-Assisted LLM Agents
- Title（参考訳）: PlanTwin: クラウド支援LDMエージェントのプライバシ保護計画抽象化
- Authors: Guangsheng Yu, Qin Wang, Rui Lang, Shuai Su, Xu Wang,
- Abstract要約: PlanTwinは、クラウド支援計画のためのプライバシ制約のあるアーキテクチャで、生のローカルコンテキストを公開せずに利用できる。
PlanTwinは、フルコンテキストシステムに近い計画品質を維持しながら、完全な機密性の高い非開示を実現する。
- 参考スコア（独自算出の注目度）: 13.492504040502281
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cloud-hosted large language models (LLMs) have become the de facto planners in agentic systems, coordinating tools and guiding execution over local environments. In many deployments, however, the environment being planned over is private, containing source code, files, credentials, and metadata that cannot be exposed to the cloud. Existing solutions address adjacent concerns, such as execution isolation, access control, or confidential inference, but they do not control what cloud planners observe during planning: within the permitted scope, \textit{raw environment state is still exposed}. We introduce PlanTwin, a privacy-preserving architecture for cloud-assisted planning without exposing raw local context. The key idea is to project the real environment into a \textit{planning-oriented digital twin}: a schema-constrained and de-identified abstract graph that preserves planning-relevant structure while removing reconstructable details. The cloud planner operates solely on this sanitized twin through a bounded capability interface, while a local gatekeeper enforces safety policies and cumulative disclosure budgets. We further formalize the privacy-utility trade-off as a capability granularity problem, define architectural privacy goals using $(k,δ)$-anonymity and $ε$-unlinkability, and mitigate compositional leakage through multi-turn disclosure control. We implement PlanTwin as middleware between local agents and cloud planners and evaluate it on 60 agentic tasks across ten domains with four cloud planners. PlanTwin achieves full sensitive-item non-disclosure (SND = 1.0) while maintaining planning quality close to full-context systems: three of four planners achieve PQS $> 0.79$, and the full pipeline incurs less than 2.2\% utility loss.
- Abstract（参考訳）: クラウドでホストされる大規模言語モデル(LLM)は、エージェントシステムのデファクトプランナー、ツールのコーディネート、ローカル環境上での実行の指針となっている。
しかし、多くのデプロイメントにおいて、計画されている環境はプライベートであり、クラウドに公開できないソースコード、ファイル、資格情報、メタデータを含んでいる。
既存のソリューションは、実行の隔離、アクセス制御、秘密の推論といった、隣接する関心事に対処するが、計画中にクラウドプランナーが観察するものを制御しない。
クラウド支援型プランニングのためのプライバシ保護アーキテクチャであるPlanTwinを紹介した。
鍵となるアイデアは、実際の環境を \textit{planning-oriented digital twin} に投影することである。
クラウドプランナーは、制限付き機能インターフェースを通じて、この衛生化されたツインのみを運用し、ローカルゲートキーパーは、安全ポリシーと累積開示予算を施行する。
さらに、プライバシ・ユーティリティのトレードオフを機能的粒度問題として定式化し、$(k,δ)$匿名性と$ε$アンリンク性を用いてアーキテクチャ上のプライバシー目標を定義し、マルチターン開示制御による構成リークを軽減する。
ローカルエージェントとクラウドプランナ間のミドルウェアとしてPlanTwinを実装し、それを4つのクラウドプランナを持つ10ドメインにわたる60のエージェントタスクで評価する。
PlanTwinは、フルコンテキストシステムに近い計画品質を維持しながら、完全な機密性の高い非開示(SND = 1.0)を実現している。
関連論文リスト
- Scale-Plan: Scalable Language-Enabled Task Planning for Heterogeneous Multi-Robot Teams [11.964765256346857]
不均質なマルチロボットシステムのための長期タスクプランニングは、実環境における協調チームの配置に不可欠である。
自然言語命令からタスク関連問題表現をコンパクトに生成する,スケーラブルなLLM支援フレームワークであるScale-Planを提案する。
計画に先立って無関係な情報をフィルタリングすることにより、スケールプランは効率的な分解、割り当て、長期計画生成を可能にします。
論文 参考訳（メタデータ） (2026-03-09T18:13:18Z) - PRISM: Privacy-Aware Routing for Adaptive Cloud-Edge LLM Inference via Semantic Sketch Collaboration [8.776463501718737]
プライバシと推論品質を動的にバランスさせるコンテキスト認識フレームワークを提案する。
PRISMは,(1)エッジデバイスがエンティティレベルの感度をプロファイルし,(2)エッジ上のソフトゲーティングモジュールが実行モード - クラウド,エッジ,あるいはコラボレーションを選択し,(3)協調経路に対して,(3)エッジがエンティティリスクに基づいて適応的な2層局所微分プライバシーを適用し,(4)クラウドLLMが乱れたプロンプトからセマンティックスケッチを生成する。
論文 参考訳（メタデータ） (2025-11-27T22:32:33Z) - On The Planning Abilities of OpenAI's o1 Models: Feasibility, Optimality, and Generalizability [59.72892401927283]
さまざまなベンチマークタスクでOpenAIのo1モデルの計画能力を評価する。
その結果,o1-preview は GPT-4 よりもタスク制約に順応していることがわかった。
論文 参考訳（メタデータ） (2024-09-30T03:58:43Z) - PDDLEGO: Iterative Planning in Textual Environments [56.12148805913657]
テキスト環境における計画は、現在のモデルにおいても長年にわたる課題であることが示されている。
我々は,あるサブゴールの部分的な計画に導く計画表現を反復的に構築するPDDLEGOを提案する。
数ショットのPDDLEGOで作成するプランは,Coin Collectorシミュレーションでエンドツーエンドのプランを生成するよりも43%効率がよいことを示す。
論文 参考訳（メタデータ） (2024-05-30T08:01:20Z) - HasTEE+ : Confidential Cloud Computing and Analytics with Haskell [50.994023665559496]
信頼性コンピューティングは、Trusted Execution Environments(TEEs)と呼ばれる特別なハードウェア隔離ユニットを使用して、コテナントクラウドデプロイメントにおける機密コードとデータの保護を可能にする。
低レベルのC/C++ベースのツールチェーンを提供するTEEは、固有のメモリ安全性の脆弱性の影響を受けやすく、明示的で暗黙的な情報フローのリークを監視するための言語構造が欠如している。
私たちは、Haskellに埋め込まれたドメイン固有言語(cla)であるHasTEE+を使って、上記の問題に対処します。
論文 参考訳（メタデータ） (2024-01-17T00:56:23Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-02T10:07:17Z) - AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。
本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。
幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
論文 参考訳（メタデータ） (2023-05-26T05:52:27Z) - Describe, Explain, Plan and Select: Interactive Planning with Large Language Models Enables Open-World Multi-Task Agents [26.78244595330595]
「$underlineD$escribe」は、Large Language Models(LLMs)に基づく対話型計画手法である。
DEPSは、計画実行プロセスの$textitdescription$を統合することで、初期LLM生成の$textitplan$のエラー修正を容易にする。
実験は、70以上のMinecraftタスクを確実に達成できる最初のゼロショットマルチタスクエージェントのマイルストーンとなる。
論文 参考訳（メタデータ） (2023-02-03T06:06:27Z)
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。