論文の概要: MemPrivacy: Privacy-Preserving Personalized Memory Management for Edge-Cloud Agents

• arxiv url: http://arxiv.org/abs/2605.09530v2
• Date: Tue, 12 May 2026 09:55:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 15:25:41.412863
• Title: MemPrivacy: Privacy-Preserving Personalized Memory Management for Edge-Cloud Agents
• Title（参考訳）: MemPrivacy:エッジクラウドエージェントのプライバシ保護によるパーソナライズドメモリ管理
• Authors: Yining Chen, Jihao Zhao, Bo Tang, Haofen Wang, Yue Zhang, Fei Huang, Feiyu Xiong, Zhiyu Li,
• Abstract要約: エッジデバイス上でのプライバシに敏感なスパンを識別するMemPrivacyを提案する。 クラウドサイドのメモリ処理のために、セマンティックに構造化されたタイプアウェアプレースホルダーに置き換えられる。 MemPrivacyは、効果的なメモリ生成と検索に必要な情報を保持しながら、機密データの露出を最小限にする。
• 参考スコア（独自算出の注目度）: 58.65181747637314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As LLM-powered agents are increasingly deployed in edge-cloud environments, personalized memory has become a key enabler of long-term adaptation and user-centric interaction. However, cloud-assisted memory management exposes sensitive user information, while existing privacy protection methods typically rely on aggressive masking that removes task-relevant semantics and consequently degrades memory utility and personalization quality. To address this challenge, We propose MemPrivacy, which identifies privacy-sensitive spans on edge devices, replaces them with semantically structured type-aware placeholders for cloud-side memory processing, and restores the original values locally when needed. By decoupling privacy protection from semantic destruction, MemPrivacy minimizes sensitive data exposure while retaining the information required for effective memory formation and retrieval. We also construct MemPrivacy-Bench for systematic evaluation, a dataset covering 200 users and over 52k privacy instances, and introduce a four-level privacy taxonomy for configurable protection policies. Experiments show that MemPrivacy achieves strong performance in privacy information extraction, substantially surpassing strong general-purpose models such as GPT-5.2 and Gemini-3.1-Pro, while also reducing inference latency. Across multiple widely used memory systems, MemPrivacy limits utility loss to within 1.6%, outperforming baseline masking strategies. Overall, MemPrivacy offers an effective balance between privacy protection and personalized memory utility for edge-cloud agents, enabling secure, practical, and user-transparent deployment.
• Abstract（参考訳）: LLMベースのエージェントがエッジクラウド環境にますますデプロイされるにつれて、パーソナライズされたメモリは、長期的な適応とユーザ中心のインタラクションの鍵となる。 しかし、クラウド支援型メモリ管理は機密性の高いユーザ情報を公開し、既存のプライバシ保護手法は一般的に、タスク関連セマンティクスを排除し、結果としてメモリの有用性とパーソナライズ品質を低下させるアグレッシブマスキングに依存している。 この課題に対処するため,我々は,エッジデバイス上でのプライバシに敏感なスパンを特定し,クラウド側メモリ処理用にセマンティックに構造化されたタイプアウェアプレースホルダに置き換え,必要に応じて元の値をローカルに復元するMemPrivacyを提案する。 セマンティックな破壊からプライバシ保護を分離することで、MemPrivacyは、効果的なメモリ生成と検索に必要な情報を保持しながら、機密性の高いデータ露出を最小限にする。 また,システム評価のためにMemPrivacy-Benchを構築し,200ユーザおよび52k以上のプライバシインスタンスを対象としたデータセットを構築し,設定可能な保護ポリシのための4段階のプライバシ分類を導入した。 実験の結果、MemPrivacyはGPT-5.2やGemini-3.1-Proといった強力な汎用モデルを大幅に上回り、プライバシー情報の抽出において高いパフォーマンスを実現している。 複数の広く使われているメモリシステムの中で、MemPrivacyはユーティリティ損失を1.6%以内に制限し、ベースラインマスキング戦略より優れている。 全体として、MemPrivacyは、エッジクラウドエージェントのプライバシ保護とパーソナライズされたメモリユーティリティの効果的なバランスを提供し、セキュアで実用的でユーザ透過的なデプロイメントを可能にする。

関連論文リスト

• Forget What's Sensitive, Remember What Matters: Token-Level Differential Privacy in Memory Sculpting for Continual Learning [26.034865955638864]
  プライバシーを強化した継続的学習フレームワークを提案する。 当社のアプローチではまず,トークンレベルの動的微分プライバシ戦略を導入しています。 次に、プライバシ誘導型メモリ彫刻モジュールを統合する。
  論文  参考訳（メタデータ） (2025-09-16T11:01:59Z)
• Activity Recognition on Avatar-Anonymized Datasets with Masked Differential Privacy [64.32494202656801]
  プライバシを保存するコンピュータビジョンは、機械学習と人工知能において重要な問題である。 本稿では,ビデオデータセット中の感性のある被験者を文脈内の合成アバターに置き換える匿名化パイプラインを提案する。 また、匿名化されていないがプライバシーに敏感な背景情報を保護するため、MaskDPを提案する。
  論文  参考訳（メタデータ） (2024-10-22T15:22:53Z)
• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• PrivacyRestore: Privacy-Preserving Inference in Large Language Models via Privacy Removal and Restoration [20.05248442344211]
  PrivacyRestoreは、推論中のユーザの入力のプライバシを保護するためのプラグイン・アンド・プレイ方式である。 プライバシストアの有効性を評価するために、医療ドメインと法律ドメインをカバーする3つのデータセットを作成します。
  論文  参考訳（メタデータ） (2024-06-03T14:57:39Z)
• Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
  本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。 具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。 本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
  論文  参考訳（メタデータ） (2023-09-11T09:26:07Z)

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。