論文の概要: AIM: A Privacy-Aware Interoperable Memory Framework for Multi-Agent Multi-User LLM Systems
- arxiv url: http://arxiv.org/abs/2609.12320v1
- Date: Fri, 11 Sep 2026 01:00:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.578374
- Title: AIM: A Privacy-Aware Interoperable Memory Framework for Multi-Agent Multi-User LLM Systems
- Title（参考訳）: AIM:マルチエージェントマルチユーザLLMシステムのためのプライバシ対応相互運用性メモリフレームワーク
- Abstract要約: AIM(Agentic Interoperable Memory)は,マルチエージェント・マルチユーザLLMシステムのためのプライバシ対応メモリフレームワークである。
AIMは動的に情報をプライベートに分類し、一つのユーザーに対してスコープ化され、他のユーザーに対してアクセスできない、またはすべてのユーザーに対してアクセス可能なパブリックに分類する。
インデックスレベルのアクセス制御を強制し、プライベートメモリを所有者によってのみ検索できるようにする。
MUMBenchは、マルチユーザ環境で複数のメモリ操作を評価するために設計された最初のパブリックデータセットである。
- 参考スコア（独自算出の注目度）: 5.794441285100987
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional large language models (LLMs) are scoped to individual user sessions, limiting their knowledge to a single conversation and preventing them from learning user preferences that evolve over time. Existing agentic memory systems address this limitation but generally operate at the individual-user level, restricting the public knowledge that could be shared across users to improve downstream responses. We introduce AIM (Agentic Interoperable Memory), a unified, privacy-aware memory framework that enables multi-agent, multi-user LLM systems to persistently manage private and shared memory. AIM dynamically classifies information as private, scoped to one user and inaccessible to others, or public, accessible to all users. It enforces index-level access controls so that private memories are retrievable only by their owner, protecting sensitive data while allowing beneficial shared knowledge to improve coordination and consistency. We also introduce MUMBench (Multi-User Memory Benchmark), a dataset of multi-user interactions containing private and shareable information across four domains. To our knowledge, MUMBench is the first public dataset designed to evaluate multiple memory operations, including retrieval, creation, update, and deletion, in a multi-user environment. Across three independent runs on MUMBench, AIM achieves 96.0% visibility classification accuracy, 58.8% strict operation accuracy, and 70.5% state-aware operation accuracy.
- Abstract（参考訳）: 従来の大規模言語モデル(LLM)は、個々のユーザセッションにスコープされ、知識を単一の会話に制限し、時間とともに進化するユーザの好みを学習するのを防ぐ。
既存のエージェントメモリシステムは、この制限に対処するが、一般的には個々のユーザーレベルで動作し、ダウンストリーム応答を改善するためにユーザ間で共有できる公開知識を制限する。
AIM(Agentic Interoperable Memory)は,マルチエージェント,マルチユーザ LLM システムにおいて,プライベートメモリと共有メモリを永続的に管理可能な,統一されたプライバシ対応メモリフレームワークである。
AIMは動的に情報をプライベートに分類し、一つのユーザーに対してスコープ化され、他のユーザーに対してアクセスできない、またはすべてのユーザーに対してアクセス可能なパブリックに分類する。
インデックスレベルのアクセス制御を強制し、プライベートメモリが所有者によってのみ検索できるようにし、機密データを保護し、適切な共有知識を提供することで調整と整合性を改善する。
MUMBench(Multi-User Memory Benchmark)は、4つのドメインにまたがるプライベートおよび共有可能な情報を含むマルチユーザインタラクションのデータセットである。
我々の知る限り、MUMBenchは、マルチユーザ環境において、検索、生成、更新、削除を含む複数のメモリ操作を評価するように設計された最初のパブリックデータセットである。
MUMBench上での3つの独立した実行において、AIMは96.0%の可視性分類精度、58.8%の厳密な操作精度、70.5%の状態認識操作精度を達成している。
関連論文リスト
- GateMem: Benchmarking Memory Governance in Multi-Principal Shared-Memory Agents [61.50171793000712]
GateMemはマルチプリンシパル共有メモリエージェントのベンチマークである。
医療、事務、教育、家庭の領域にまたがる。
強力なユーティリティ、堅牢なアクセス制御、信頼性のある忘れを同時に実現する方法は存在しない。
論文 参考訳（メタデータ） (2026-06-17T09:06:15Z) - GroupMemBench: Benchmarking LLM Agent Memory in Multi-Party Conversations [25.703133924514884]
大規模言語モデル(LLM)エージェントは、ますますパーソナルアシスタントや職場の協力者として機能している。
既存のメモリシステムとベンチマークは、Dyadicのシングルユーザ設定を中心に構築されている。
グループメモリの3つの特性を公開するベンチマークであるGroupMemBenchを紹介する。
論文 参考訳（メタデータ） (2026-05-14T07:38:29Z) - Mem-Gallery: Benchmarking Multimodal Long-Term Conversational Memory for MLLM Agents [76.76004970226485]
長期記憶はマルチモーダル大言語モデル(MLLM)エージェントにとって重要な機能である。
Mem-GalleryはMLLMエージェントのマルチモーダル長期会話メモリ評価のための新しいベンチマークである。
論文 参考訳（メタデータ） (2026-01-07T02:03:13Z) - Memoria: A Scalable Agentic Memory Framework for Personalized Conversational AI [0.6840655769002751]
エージェントメモリは大規模言語モデル(LLM)のキーイネーブラーとして登場しつつある
我々は,LLMベースの会話システムを永続的,解釈可能,コンテキストに富んだメモリで拡張するモジュール型メモリフレームワークであるMemoriaを紹介する。
我々は、ステートレスLLMインタフェースとエージェントメモリシステムとのギャップを埋めることで、Memoriaがスケーラブルでパーソナライズされた対話型人工知能(AI)を実現する方法を実証する。
論文 参考訳（メタデータ） (2025-12-14T13:38:06Z) - 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) - PersonaAgent: When Large Language Model Agents Meet Personalization at Test Time [87.99027488664282]
PersonaAgentは、汎用的なパーソナライゼーションタスクに対処するために設計されたフレームワークである。
パーソナライズされたメモリモジュールとパーソナライズされたアクションモジュールを統合する。
テストタイムのユーザ嗜好アライメント戦略は、リアルタイムのユーザの嗜好アライメントを保証する。
論文 参考訳（メタデータ） (2025-06-06T17:29:49Z) - Collaborative Memory: Multi-User Memory Sharing in LLM Agents with Dynamic Access Control [11.08674526998021]
Collaborative Memoryは、非対称で時間進化するアクセス制御を持つマルチユーザ、マルチエージェント環境のためのフレームワークである。
我々のフレームワークは、非対称で時間的変化のあるポリシーを順守し、安全で効率的かつ解釈可能なクロスユーザー知識共有を可能にする。
論文 参考訳（メタデータ） (2025-05-23T18:14:57Z) - AI-native Memory 2.0: Second Me [26.425003835524123]
SECOND MEはインテリジェントで永続的なメモリオフロードシステムとして機能する。
コンテキスト対応の応答を生成し、必要な情報をプリフィルし、外部システムとのシームレスな通信を容易にする。
さらに、第2のMEは、永続的で文脈的に認識され、自己最適化されたメモリシステムとの人間と世界の相互作用を強化するための重要なステップである。
論文 参考訳（メタデータ） (2025-03-11T07:05:52Z) - PRIV-QA: Privacy-Preserving Question Answering for Cloud Large Language Models [10.050972891318324]
本稿では,ユーザと大規模言語モデル間のインタラクションにおいて,プライバシとセンシティブな情報を保護するためのプライバシ保護パイプラインを提案する。
プライバシを開放した最初の質問応答データセットであるSensitiveQAを構築した。
提案手法は,クラウド上でのLCMの応答品質を同時に保ちながら,ユーザ情報の事前確保を目的としたマルチステージ戦略を用いている。
論文 参考訳（メタデータ） (2025-02-19T09:17:07Z) - Efficiently Disentangling CLIP for Multi-Object Perception [62.523137132812764]
CLIPのような視覚言語モデルは、シーン内の1つの顕著なオブジェクトを認識するのに優れていますが、複数のオブジェクトを含む複雑なシーンで苦労しています。
凍結したVLMに最小限の学習可能なパラメータのみを追加しながら、最適な相互情報のレベルを学習する効率的なフレームワークであるDCLIPを提案する。
論文 参考訳（メタデータ） (2025-02-05T08:20:31Z) - 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)
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。