論文の概要: PAAC: Privacy-Aware Agentic Device-Cloud Collaboration

• arxiv url: http://arxiv.org/abs/2605.08646v1
• Date: Sat, 09 May 2026 03:29:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.788564
• Title: PAAC: Privacy-Aware Agentic Device-Cloud Collaboration
• Title（参考訳）: PAAC:プライバシを意識したエージェントデバイスとクラウドのコラボレーション
• Abstract要約: 我々は,プライバシを意識したエージェントフレームワークPAACを開発し,プランナ-実行者分解をデバイス-クラウド境界に整合させる。 数学、科学、ファイナンスを含む10の領域にまたがる17のベンチマークに対して、一貫した改善が見られます。
• 参考スコア（独自算出の注目度）: 27.486312939995145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents face a structural tension: cloud agents provide strong reasoning but expose user data, while on-device agents preserve privacy at the cost of overall capability. Existing device-cloud designs treat this boundary as a compute split rather than a trust boundary suited to agentic workloads, and existing sanitizers force a choice between policy flexibility and the structural fidelity tool calls require. In this work, we develop PAAC, a privacy-aware agentic framework that aligns planner--executor decomposition with the device-cloud boundary so that role specialization itself becomes the privacy mechanism. The cloud agent reasons over typed placeholder tokens that preserve each sensitive value's reasoning role while discarding its content, while the on-device agent identifies sensitive spans and distills each step's execution outcome into compact key findings. Sanitization confines the on-device LLM to proposing which spans to mask, while a deterministic registry performs all substitution and reversal, keeping actions directly executable on device. On three agentic benchmarks under strict privacy settings, PAAC dominates the Pareto frontier of privacy and accuracy, improving average accuracy by 15-36\% and reducing average leakage by 2-6$\times$ over state-of-the-art device-cloud baselines, with the largest margins on privacy targets outside fixed entity taxonomies. We find consistent improvements on 17 additional benchmarks spanning 10 domains, including math, science, and finance.
• Abstract（参考訳）: 大きな言語モデル(LLM)エージェントは構造的な緊張に直面している。クラウドエージェントは強力な推論を提供するが、ユーザデータを公開する。 既存のデバイスクラウド設計では、エージェントワークロードに適した信頼境界ではなく、この境界を計算分割として扱う。 本研究では,プライバシを意識したエージェントフレームワークであるPAACを開発し,プランナと実行者の分解をデバイスとクラウドの境界に整合させることにより,役割の専門化自体がプライバシメカニズムとなる。 クラウドエージェントは、各センシティブな値の推論ロールを、コンテンツを捨てながら保持するタイプドプレースホルダートークンを理由付け、オンデバイスエージェントは、センシティブなスパンを特定し、各ステップの実行結果をコンパクトなキー発見に蒸留する。 衛生化は、デバイス上のLCMをマスクにまたがる提案に限定し、決定論的レジストリは、すべての置換と反転を実行し、デバイス上でアクションを直接実行し続ける。 厳格なプライバシ設定の下での3つのエージェントベンチマークでは、PAACがプライバシと精度のParetoフロンティアを支配し、平均精度を15～36倍改善し、最先端のデバイスクラウドベースラインに対して平均リークを2～6ドル削減している。 数学、科学、ファイナンスを含む10のドメインにまたがる17のベンチマークに一貫した改善が見られます。

関連論文リスト

• OCELOT: Inference-Leakage Budgets for Privacy-Preserving LLM Agents [32.5466552510287]
  漏れは累積的であり、個々に無害な放出は、正直だが、真正に曲がりくねった流しに蓄積される。 我々は、秘密に対する敵の信念がどれほど改善するかを予算化するランタイム仲介者であるOCELOTを提示する。 OCELOTは高いタスクユーティリティでのリークを著しく低減し、適応注入、ジェイルブレイク、累積推論、シンク共謀に抵抗する。
  論文  参考訳（メタデータ） (2026-06-10T17:13:35Z)
• PRAG: End-to-End Privacy-Preserving Retrieval-Augmented Generation [15.502387220719813]
  既存のプライバシー保護ソリューションは、ノイズ注入による検索品質を犠牲にしたり、部分暗号化のみを提供する。 本稿では,文書とクエリの両方に対してエンドツーエンドの機密性を実現する,エンドツーエンドのプライバシ保護システムPRAGを提案する。 大規模データセットの実験では、PRAGは競争力のあるリコール(72.45%-74.45%)、実用的な検索遅延、グラフ再構成攻撃に対する強力なレジリエンスを達成している。
  論文  参考訳（メタデータ） (2026-04-29T10:46:45Z)
• SpecSteer: Synergizing Local Context and Global Reasoning for Efficient Personalized Generation [79.75755802397312]
  SpecSteerは非対称な協調推論フレームワークで、デバイス上のプライベートコンテキストとクラウドスケールの推論を相乗化する。 実験により、SpecSteerは推論のギャップを埋め、パーソナライズされた生成性能を向上することを示した。
  論文  参考訳（メタデータ） (2026-03-17T07:51:29Z)
• STAMP: Selective Task-Aware Mechanism for Text Privacy [5.453215632053115]
  STAMPはタスク対応のテキスト民営化のための新しいフレームワークで、プライバシーとユーティリティのトレードオフを改善している。 単位球面への埋め込み方向のみを摂動する極性機構を導入し,その大きさを保存した。 SQuAD、Yelp、AG Newsのデータセットに対する実験的評価は、STAMPが正常化された極性メカニズムと組み合わせることで、優れたプライバシユーティリティトレードオフが一貫して達成されることを示している。
  論文  参考訳（メタデータ） (2026-03-12T17:55:07Z)
• SplitAgent: A Privacy-Preserving Distributed Architecture for Enterprise-Cloud Agent Collaboration [0.04061135251278187]
  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。
  論文  参考訳（メタデータ） (2026-03-09T10:51:31Z)
• NeuroFilter: Privacy Guardrails for Conversational LLM Agents [50.75206727081996]
  本研究は,エージェント型大規模言語モデル(LLM)のプライバシを強制する際の計算上の課題に対処する。 NeuroFilterは、標準違反をモデルのアクティベーション空間における単純な方向にマッピングすることで、コンテキスト整合性を運用するガードレールフレームワークである。 7Bから70Bパラメータのモデルをカバーする15万以上のインタラクションに対する包括的な評価は、NeuroFilterの強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-01-21T05:16:50Z)
• Efficient Privacy-Preserving Retrieval Augmented Generation with Distance-Preserving Encryption [25.87368479678027]
  RAGは高い計算コストを伴わずにLLMの応答品質を向上させる重要な技術として登場した。 従来のアーキテクチャでは、RAGサービスは、信頼できるローカル環境内でデータセットをホストする単一のエンティティによって提供される。 信頼できないサードパーティサービスへの依存は、プライバシーのリスクをもたらす。 信頼できないクラウド環境に適した効率的なプライバシ保護RAGフレームワーク(ppRAG)を提案する。
  論文  参考訳（メタデータ） (2026-01-18T09:29:50Z)
• 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)
• DRIFT: Dynamic Rule-Based Defense with Injection Isolation for Securing LLM Agents [52.92354372596197]
  大規模言語モデル(LLM)は、強力な推論と計画能力のため、エージェントシステムの中心となってきています。 この相互作用は、外部ソースからの悪意のある入力がエージェントの振る舞いを誤解させる可能性がある、インジェクション攻撃のリスクも引き起こす。 本稿では,信頼に値するエージェントシステムのための動的ルールベースの分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-13T05:01:09Z)
• PWC-MoE: Privacy-Aware Wireless Collaborative Mixture of Experts [59.5243730853157]
  クラウドサーバにホストされる大規模言語モデル(LLM)は、ローカルデバイス上の計算とストレージの負担を軽減するが、プライバシの懸念を高める。 小規模言語モデル(SLM)は、ローカルで実行されるためプライバシーが向上するが、複雑なタスクではパフォーマンスが制限される。 帯域幅制約下での計算コスト,性能,プライバシ保護のバランスをとるために,プライバシを意識したPWC-MoE(PWC-MoE)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:27:07Z)
• 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)
• Unified Mechanism-Specific Amplification by Subsampling and Group Privacy Amplification [54.1447806347273]
  サブサンプリングによる増幅は、差分プライバシーを持つ機械学習の主要なプリミティブの1つである。 本稿では、メカニズム固有の保証を導出するための最初の一般的なフレームワークを提案する。 サブサンプリングが複数のユーザのプライバシに与える影響を分析する。
  論文  参考訳（メタデータ） (2024-03-07T19:36:05Z)
• THE-X: Privacy-Preserving Transformer Inference with Homomorphic Encryption [112.02441503951297]
  トランスフォーマーモデルのプライバシ保護推論は、クラウドサービスユーザの要求に基づいています。 我々は、事前訓練されたモデルのプライバシ保存推論を可能にするトランスフォーマーの近似アプローチである$textitTHE-X$を紹介した。
  論文  参考訳（メタデータ） (2022-06-01T03:49:18Z)

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。