論文の概要: Do Phone-Use Agents Respect Your Privacy?

• arxiv url: http://arxiv.org/abs/2604.00986v1
• Date: Wed, 01 Apr 2026 14:50:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.043651
• Title: Do Phone-Use Agents Respect Your Privacy?
• Title（参考訳）: 電話使用エージェントはあなたのプライバシーを尊重するのか?
• Authors: Zhengyang Tang, Ke Ji, Xidong Wang, Zihan Ye, Xinyuan Wang, Yiduo Guo, Ziniu Li, Chenxin Li, Jingyuan Hu, Shunian Chen, Tongxu Luo, Jiaxi Bi, Zeyu Qin, Shaobo Wang, Xin Lai, Pengyuan Lyu, Junyi Li, Can Xu, Chengquan Zhang, Han Hu, Ming Yan, Benyou Wang,
• Abstract要約: 我々は,モバイルエージェントのプライバシ行動を評価するための検証可能なフレームワークであるMyPhoneBenchを紹介する。 プライバシを無視する電話を、最小限のプライバシ契約によって許可されたアクセス、最小限の開示、およびユーザ制御メモリとして運用する。 10のモバイルアプリと300のタスクで5つのフロンティアモデルにまたがって、タスクの成功、プライバシに準拠したタスク補完、保存された好みの後での利用が、それぞれ異なる機能であることに気付きました。
• 参考スコア（独自算出の注目度）: 97.81424230136075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study whether phone-use agents respect privacy while completing benign mobile tasks. This question has remained hard to answer because privacy-compliant behavior is not operationalized for phone-use agents, and ordinary apps do not reveal exactly what data agents type into which form entries during execution. To make this question measurable, we introduce MyPhoneBench, a verifiable evaluation framework for privacy behavior in mobile agents. We operationalize privacy-respecting phone use as permissioned access, minimal disclosure, and user-controlled memory through a minimal privacy contract, iMy, and pair it with instrumented mock apps plus rule-based auditing that make unnecessary permission requests, deceptive re-disclosure, and unnecessary form filling observable and reproducible. Across five frontier models on 10 mobile apps and 300 tasks, we find that task success, privacy-compliant task completion, and later-session use of saved preferences are distinct capabilities, and no single model dominates all three. Evaluating success and privacy jointly reshuffles the model ordering relative to either metric alone. The most persistent failure mode across models is simple data minimization: agents still fill optional personal entries that the task does not require. These results show that privacy failures arise from over-helpful execution of benign tasks, and that success-only evaluation overestimates the deployment readiness of current phone-use agents. All code, mock apps, and agent trajectories are publicly available at~ https://github.com/tangzhy/MyPhoneBench.
• Abstract（参考訳）: 携帯電話利用エージェントがモバイルタスクを完了しながらプライバシを尊重するかどうかを調査する。 プライバシに準拠する動作は電話使用エージェントには運用されないため、通常のアプリは実行中にどのデータエージェントがどのフォームエントリにタイプするかを正確に明らかにしていないため、この問題は依然として解決が難しい。 この疑問を計測するために、モバイルエージェントのプライバシー行動を評価するための検証可能なフレームワークであるMyPhoneBenchを紹介した。 我々は、最小限のプライバシー契約であるiMyを通じて、パーミッションアクセス、最小限の開示、ユーザー制御メモリとしてプライバシを運用し、不要なパーミッション要求、偽装再開示、不要なフォームを保存可能で再現可能な形で埋める、モックアプリとルールベースの監査を組み合わせます。 10のモバイルアプリと300のタスクで5つのフロンティアモデルにまたがって、タスクの成功、プライバシに準拠したタスク補完、保存された好みの後での利用は異なる機能であり、単一のモデルが3つすべてを支配しているわけではないことが分かりました。 成功とプライバシを評価することは、どちらの指標のみに対するモデルの順序付けを共同で改善する。 モデル間で最も永続的な障害モードは、単純なデータ最小化である。 これらの結果は、プライバシーの欠陥は、良心的タスクの過剰な実行から発生し、成功のみの評価は、現在の電話利用エージェントの展開準備度を過大評価していることを示している。 すべてのコード、モックアプリ、エージェントのトラジェクトリはhttps://github.com/tangzhy/MyPhoneBench.comで公開されている。

関連論文リスト

• Anonymization-Enhanced Privacy Protection for Mobile GUI Agents: Available but Invisible [12.742325129012576]
  Mobile Graphical User Interface (GUI)エージェントは、複雑なスマートフォンタスクを自動化する強力な機能を示している。 本稿では,機密データへのアクセスの原則を強制する匿名化に基づくプライバシー保護フレームワークを提案する。 本システムは,PII認識モデルを用いてセンシティブなUIコンテンツを検出し,それを決定論的型保存プレースホルダーに置き換える。
  論文  参考訳（メタデータ） (2026-02-08T15:50:04Z)
• 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)
• PrivacyLens: Evaluating Privacy Norm Awareness of Language Models in Action [54.11479432110771]
  PrivacyLensは、プライバシに敏感な種子を表現的なヴィグネットに拡張し、さらにエージェントの軌跡に拡張するために設計された新しいフレームワークである。 プライバシの文献とクラウドソーシングされたシードに基づいて、プライバシの規範のコレクションをインスタンス化する。 GPT-4やLlama-3-70Bのような最先端のLMは、プライバシー強化の指示が出されたとしても、機密情報を25.68%、38.69%のケースでリークしている。
  論文  参考訳（メタデータ） (2024-08-29T17:58:38Z)
• ATLAS: Automatically Detecting Discrepancies Between Privacy Policies and Privacy Labels [2.457872341625575]
  自動プライバシラベル解析システム(ATLAS)について紹介する。 ATLASは、モバイルアプリのプライバシーポリシーとプライバシーラベルの相違点を特定する。 平均して、アプリには5.32のコンプライアンス上の問題があることがわかっています。
  論文  参考訳（メタデータ） (2023-05-24T05:27:22Z)
• SPAct: Self-supervised Privacy Preservation for Action Recognition [73.79886509500409]
  アクション認識におけるプライバシー漏洩を緩和するための既存のアプローチは、ビデオデータセットのアクションラベルとともに、プライバシラベルを必要とする。 自己教師付き学習(SSL)の最近の進歩は、未ラベルデータの未発見の可能性を解き放ちつつある。 本稿では、プライバシーラベルを必要とせず、自己管理的な方法で、入力ビデオからプライバシー情報を除去する新しいトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-29T02:56:40Z)
• Statistical Feature-based Personal Information Detection in Mobile Network Traffic [13.568975395946433]
  本稿では、交通における個人情報の発生パターンを統計的に表現するために、個人情報の統計的特徴を設計する。 検出器は機械学習アルゴリズムに基づいてトレーニングされ、同様のパターンで潜在的な個人情報を検出する。 われわれの知る限りでは、統計的特徴に基づいて個人情報を検出するのはこれが初めてだ。
  論文  参考訳（メタデータ） (2021-12-23T04:01:16Z)

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。