論文の概要: Opal: Private Memory for Personal AI

• arxiv url: http://arxiv.org/abs/2604.02522v1
• Date: Thu, 02 Apr 2026 21:23:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.206081
• Title: Opal: Private Memory for Personal AI
• Title（参考訳）: Opal:パーソナルAIのためのプライベートメモリ
• Authors: Darya Kaviani, Alp Eren Ozdarendeli, Jinhao Zhu, Yu Ding, Raluca Ada Popa,
• Abstract要約: パーソナルAIシステムは、ユーザー活動の長期記憶をますます保持している。 信頼できるハードウェアは、このデータをプライベートに保てるが、成長するデータストアのスケールに苦慮している。 パーソナルAIのためのプライベートメモリシステムであるOpalを紹介する。
• 参考スコア（独自算出の注目度）: 14.234083579027399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personal AI systems increasingly retain long-term memory of user activity, including documents, emails, messages, meetings, and ambient recordings. Trusted hardware can keep this data private, but struggles to scale with a growing datastore. This pushes the data to external storage, which exposes retrieval access patterns that leak private information to the application provider. Oblivious RAM (ORAM) is a cryptographic primitive that can hide these patterns, but it requires a fixed access budget, precluding the query-dependent traversals that agentic memory systems rely on for accuracy. We present Opal, a private memory system for personal AI. Our key insight is to decouple all data-dependent reasoning from the bulk of personal data, confining it to the trusted enclave. Untrusted disk then sees only fixed, oblivious memory accesses. This enclave-resident component uses a lightweight knowledge graph to capture personal context that semantic search alone misses and handles continuous ingestion by piggybacking reindexing and capacity management on every ORAM access. Evaluated on a comprehensive synthetic personal-data pipeline driven by stochastic communication models, Opal improves retrieval accuracy by 13 percentage points over semantic search and achieves 29x higher throughput with 15x lower infrastructure cost than a secure baseline. Opal is under consideration for deployment to millions of users at a major AI provider.
• Abstract（参考訳）: 個人AIシステムは、文書、メール、メッセージ、会議、周囲の記録など、ユーザー活動の長期記憶をますます保持している。 信頼できるハードウェアは、このデータをプライベートに保てるが、成長するデータストアのスケールに苦慮している。 これはデータを外部ストレージにプッシュし、プライベート情報をリークする検索アクセスパターンをアプリケーションプロバイダに公開する。 ORAM(Oblivious RAM)は、これらのパターンを隠蔽できる暗号プリミティブであるが、エージェントメモリシステムが正確性に頼っているクエリ依存のトラバーサルを除いて、固定アクセス予算を必要とする。 パーソナルAIのためのプライベートメモリシステムであるOpalを紹介する。 私たちの重要な洞察は、すべてのデータ依存の推論を、個人データから切り離して、信頼できるエンクレーブにまとめることです。 信頼できないディスクは固定されたメモリアクセスしか見つからない。 このエンクレーブ・レジデント・コンポーネントは、軽量なナレッジグラフを使用して、セマンティック検索だけで見逃し、ORAMアクセス毎に再インデックスとキャパシティ管理を行うことで、継続的な摂取を処理している個人的コンテキストをキャプチャする。 確率的通信モデルによって駆動される総合的な合成パーソナルデータパイプラインに基づいて、Opalはセマンティック検索よりも13ポイント精度を向上し、セキュアなベースラインよりも15倍低いインフラストラクチャコストで29倍高いスループットを実現する。 Opalは、数百万のユーザを主要なAIプロバイダにデプロイすることを検討している。

関連論文リスト

• Hierarchical Memory Orchestration for Personalized Persistent Agents [22.711300383282268]
  ユーザ中心のコンテキスト関連性によって駆動される3階層のディレクトリにインタラクション履歴を整理するフレームワークである階層記憶オーケストレーション(HMO)を提案する。 エージェント推論が個々の行動特性と一致し続けることを保証するため,本システムはコンパクトなプライマリキャッシュを維持し,最近のメモリとピボットメモリと,進化するユーザプロファイルを結合する。
  論文  参考訳（メタデータ） (2026-04-02T06:16:53Z)
• AlpsBench: An LLM Personalization Benchmark for Real-Dialogue Memorization and Preference Alignment [54.72137309071243]
  AlpsBenchはWildChatからキュレートされた2500の長期的相互作用配列から構成され、人間によって検証された構造化記憶と組み合わせられる。 我々は、パーソナライズされた情報抽出、更新、検索、利用の4つの重要なタスクを定義し、メモリ管理のライフサイクル全体を評価するためのプロトコルを確立する。 i)モデルが潜在ユーザ特性を確実に抽出するのに苦労していること、(ii)メモリ更新が最強モデルでもパフォーマンス天井に直面すること、(iii)大きなイントラクタプールの存在下での検索精度が急激に低下すること、(iv)明示的なメモリ機構がリコールを改善する一方で、リコールは行わないこと、などである。
  論文  参考訳（メタデータ） (2026-03-09T11:06:19Z)
• Indaleko: The Unified Personal Index [0.0]
  Dissertationは、この基本的なギャップを埋めるメモリアラインメントアーキテクチャであるUnified Personal Index(UPI)を提示する。 Indalekoのプロトタイプでは、8つのストレージプラットフォームにまたがる160TBにまたがる31万のファイルデータセット上で、UPIが実現可能であることを実証している。
  論文  参考訳（メタデータ） (2026-02-24T03:17:36Z)
• Keeping a Secret Requires a Good Memory: Space Lower-Bounds for Private Algorithms [67.94856074923571]
  本稿では,マルチプレイヤー通信ゲームに基づく新しい証明手法を提案する。 本稿では,このコミュニケーションゲームに勝つためには,過剰なユーザ数に比例した情報伝達が必要であることを示す。 このコミュニケーション理論の手法は幅広い問題のクラスに一般化し、プライベートな中央値、量子化値、最大選択値の下位境界を導出することを示す。
  論文  参考訳（メタデータ） (2026-02-12T17:49:07Z)
• Privacy Amplification by Missing Data [4.9024539661445825]
  差分プライバシーの枠組みの中で、欠落したデータをプライバシー増幅機構として分析する。 我々は、不完全なデータが、微分プライベートアルゴリズムのプライバシーの増幅をもたらすことを初めて示している。
  論文  参考訳（メタデータ） (2026-02-02T10:28:41Z)
• OP-Bench: Benchmarking Over-Personalization for Memory-Augmented Personalized Conversational Agents [55.27061195244624]
  オーバーパーソナライゼーションを3つのタイプに分類する。 エージェントは不要な場合でも、ユーザメモリを取得およびオーバーアタッチする傾向があります。 我々の研究は、メモリ拡張対話システムにおいて、より制御可能で適切なパーソナライズに向けた最初の一歩を踏み出した。
  論文  参考訳（メタデータ） (2026-01-20T08:27:13Z)
• PrivacyBench: A Conversational Benchmark for Evaluating Privacy in Personalized AI [8.799432439533211]
  AIエージェントはユーザのデジタルフットプリントへのアクセスに依存しており、プライベートメールやチャット、購入履歴からの機密データを含むことが多い。 このアクセスは、基本的な社会的およびプライバシーリスクを生み出します。 埋め込みシークレットを含む社会的基盤データセットを備えたベンチマークであるPrivacyBenchを紹介する。
  論文  参考訳（メタデータ） (2025-12-31T13:16:45Z)
• PersonaMem-v2: Towards Personalized Intelligence via Learning Implicit User Personas and Agentic Memory [56.81126490418336]
  パーソナライゼーションは、AI能力とアライメントの進歩における次のマイルストーンの1つだ。 PersonaMem-v2は300以上のシナリオ、20,000以上のユーザの好み、128kのコンテキストウィンドウで、1,000の現実的なユーザ-チャットボットインタラクションをシミュレートする。 我々はQwen3-4BをトレーニングしてGPT-5を上回り、暗黙のパーソナライゼーションにおいて53%の精度を達成した。
  論文  参考訳（メタデータ） (2025-12-07T06:48:23Z)
• Privacy-Preserved Neural Graph Databases [48.57788773216699]
  NGDBにおけるプライバシー漏洩のリスクを軽減するために,プライバシ保存型ニューラルグラフデータベース(P-NGDB)フレームワークを提案する。 本研究は,NGDBを訓練段階に導入し,個人情報で質問したときの識別不能な回答を生成する。
  論文  参考訳（メタデータ） (2023-12-25T02:32:05Z)

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。