論文の概要: PAPC: Platform Mediation for Privacy-Propagation Externalities in AI-Mediated Workflows
- arxiv url: http://arxiv.org/abs/2609.19226v1
- Date: Wed, 16 Sep 2026 14:40:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.955491
- Title: PAPC: Platform Mediation for Privacy-Propagation Externalities in AI-Mediated Workflows
- Title（参考訳）: PAPC:AIを利用したワークフローにおけるプライバシ・プロパゲーション外部のためのプラットフォームメディエーション
- Abstract要約: 我々は、共有状態や外部チャネルを更新する前に、情報移動イベントをインターセプトするプラットフォーム経由のメカニズムであるPAPCを提案する。
モデルでは、最終出力制御が中間露光コストを損なう理由と、高利得オブジェクトが伝播を増幅する理由を説明する。
- 参考スコア（独自算出の注目度）: 20.112836632716846
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: AI-mediated platforms coordinate work through LLM agents acting for different principals. In these workflows, privacy loss can be created before a final answer appears: a memory write, shared-workspace update, inter-agent message, or tool event may impose downstream exposure cost on another principal. We model this failure mode as a privacy-propagation externality, where the cost of a raw disclosure depends on topology and fanout as well as content. We present PAPC, a platform-mediated mechanism that intercepts information-moving events before they update shared state or external channels. PAPC combines policy, provenance, topology/fanout, privilege, and content signals to allow an event, release a policy-safe abstraction, quarantine raw content, block a transition, or narrow onward rights. The model explains why final-output control misses intermediate exposure costs and why high-fanout objects amplify propagation. Across retrieval-memory and multi-agent workflow benchmarks, PAPC preserves deterministic task completion and eliminates measured exact raw-value and external raw-value exposure. The results position event-level mediation as a platform-governance primitive for agent-mediated online work.
- Abstract（参考訳）: AIを介するプラットフォームは、異なるプリンシパルに作用するLLMエージェントを介して作業を調整する。
メモリ書き込み、共有ワークスペース更新、エージェント間メッセージ、ツールイベントは、他のプリンシパルにダウンストリーム露出コストを課す可能性がある。
我々は、この障害モードを、コンテンツだけでなくトポロジやファンアウトにも依存する、プライバシー保護の外部性としてモデル化する。
我々は、共有状態や外部チャネルを更新する前に、情報移動イベントをインターセプトするプラットフォーム経由のメカニズムであるPAPCを提案する。
PAPCは、ポリシー、前兆、トポロジ/ファンアウト、特権、およびコンテンツ信号を組み合わせて、イベントを許可し、ポリシーセーフな抽象化をリリースし、生のコンテンツを隔離し、移行をブロックし、あるいは前向きの権利を狭める。
モデルでは、最終出力制御が中間露光コストを損なう理由と、高利得オブジェクトが伝播を増幅する理由を説明する。
検索メモリとマルチエージェントワークフローベンチマーク全体で、PAPCは決定論的タスク完了を保存し、測定された正確な生値と外部生値の露出を排除します。
その結果、イベントレベルの仲介は、エージェントを介するオンラインワークのプラットフォームガバナンスプリミティブとして位置づけられた。
関連論文リスト
- EMERGE-Policy: A Robot Mind Emerges Beyond a Single Policy [48.898967774856466]
EMERGE-Policyは機能呼び出しと情報交換の両方をコーディネートする。
Main Agentはアクティブなコンテキストウィンドウ内でタスクレベルの状態を保持する。
ロール固有のサブエージェント プロセスの認識、実行監視、検証、メモリ統合。
論文 参考訳（メタデータ） (2026-08-30T16:46:06Z) - From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents [75.69180947909148]
大規模言語モデル(LLM)エージェントのためのトラジェクトリレベルのUQフレームワークを提案する。
RuPAは、推論状態、ツールインタラクション、環境フィードバックが時間的およびセマンティックな依存関係エッジで接続されたノードである、指向的なトラジェクトリグラフとして実行履歴を表現している。
我々は,複数のモデルファミリにまたがる6つのオープンソースLCMを用いて,代用エージェントベンチマーク($2, Terminal-Bench-2, GAIA)でRUPAを評価した。
論文 参考訳（メタデータ） (2026-08-17T01:40:14Z) - 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) - From Privacy to Workflow Integrity: Communication-Graph Metadata in Autonomous Agent Interoperability [0.0]
A2A と MCP プロトコルは、エージェントが互いに何を言うか標準化するが、HTTP(S) 上のアドレスベースのトランスポートを仮定する。
コミュニケーショングラフは、どのエージェントがどのエージェントに、いつ、どのくらいの頻度で接触しているかを示すものだ。
エージェント通信グラフに対して脅威モデルを与え、エージェントメタデータが明確に示すものを特定する。
論文 参考訳（メタデータ） (2026-06-05T11:07:55Z) - Agent-BRACE: Decoupling Beliefs from Actions in Long-Horizon Tasks via Verbalized State Uncertainty [70.43119366710778]
本稿では,Agens-BRACE: Agent Belief state Representation by Abstraction and Confidence Estimationを紹介する。
LLMエージェントを信頼状態モデルと政策モデルに分離し、強化学習を通じて協調的に最適化する手法である。
長期にわたる部分的に観察可能な言語環境において、平均して+14.5%の絶対的な改善を実現している。
論文 参考訳（メタデータ） (2026-05-12T02:37:04Z) - The Context Gathering Decision Process: A POMDP Framework for Agentic Search [38.92972416925679]
大規模言語モデル(LLM)エージェントは複雑な環境にデプロイされる。
明示的なインフラストラクチャがなければ、エージェントの動作メモリは、検索状態の損失のある表現に分解される可能性がある。
我々はこの課題をコンテキスト収集決定プロセス(CGDP)として定式化する。
反復LDM剤に対する2つのプラグ・アンド・プレイ介入法を導出する。
論文 参考訳（メタデータ） (2026-05-07T23:45:07Z) - Sovereign Context Protocol: An Open Attribution Layer for Human-Generated Content in the Age of Large Language Models [0.0]
Sovereign Context Protocolは、大規模言語モデルと人為的コンテンツの間の属性対応データアクセス層として機能する。
SCPは6つのコアメソッド(クリエータプロファイル、セマンティック検索、コンテンツ検索、信頼/価値評価、信頼性検証、アクセス監査)を、RESTとMPP互換インターフェースの両方で公開している。
論文 参考訳（メタデータ） (2026-03-28T02:28:41Z) - 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) - Exploiting Submodular Value Functions For Scaling Up Active Perception [60.81276437097671]
アクティブな知覚タスクでは、エージェントは1つ以上の隠れ変数の不確実性を減少させる感覚行動を選択することを目的としている。
部分的に観測可能なマルコフ決定過程(POMDP)は、そのような問題に対する自然なモデルを提供する。
エージェントが利用できるセンサーの数が増えるにつれて、POMDP計画の計算コストは指数関数的に増加する。
論文 参考訳（メタデータ） (2020-09-21T09:11:36Z)
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。