論文の概要: Judging Before Propagation: Task-Graph Contextual Integrity for Multi-Agent Privacy

• arxiv url: http://arxiv.org/abs/2610.39532v1
• Date: Thu, 29 Oct 2026 07:31:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.058344
• Title: Judging Before Propagation: Task-Graph Contextual Integrity for Multi-Agent Privacy
• Title（参考訳）: 伝搬前の判断:マルチエージェントプライバシのためのタスクグラフコンテキスト統合
• Abstract要約: Task-Graph Contextual Integrity (TG-CI)は、マルチエージェントシステムにおけるコンテキスト統合の最初のタスクグラフネイティブな形式化である。 TG-CIを2つの相補的方針の下で伝搬顕微鏡による認証により運用する。 我々の最初の実験構成では、TG-CIは、ローカル・ヒストリーCIベースラインと比較して、平均無許可の開示回数を85.8-94.1%削減する。
• 参考スコア（独自算出の注目度）: 8.051499017624588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent LLM systems increasingly rely on persistent memory and inter-agent communication. These capabilities create privacy risks that extend beyond individual interactions: a release appropriate in isolation may become inappropriate when combined with information previously disclosed to a recipient or propagated to downstream agents along the planned workflow. Existing Contextual Integrity (CI) mechanisms for agentic systems typically rely on local judgments that assess each disclosure in isolation, with or without regard to the recipient's history, but do not account for how information propagates downstream. However, compliance at the current boundary does not guarantee appropriateness across the workflow. We introduce Task-Graph Contextual Integrity (TG-CI), to our knowledge the first task-graph-native formalization of Contextual Integrity for multi-agent systems. TG-CI represents a workflow as a Multi-Agent Task Graph (MATG) and extends CI from atomic transfers to stateful, graph-level information flows by jointly considering an item's intended propagation scope and recipients' evolving disclosure states. We operationalize TG-CI through propagation-scoped authorization under two complementary policies: Full-Scope, which requires admissibility across the complete downstream scope, and Auto-Region, which confines each item to its maximal admissible region using lightweight frontier gates. We further introduce MAPLE-Bench, a benchmark of 144 cases across four scenarios that jointly vary MATG topology, disclosure history, compromised-agent placement, and item-level privacy policies. In our primary experimental configuration, TG-CI reduces the mean unauthorized disclosure count by 85.8-94.1% relative to the Local-History CI baseline, while retaining 93.6-96.1% of the baseline's task accuracy, with the two enforcement policies providing complementary privacy--cost--utility trade-offs.
• Abstract（参考訳）: マルチエージェントLLMシステムは、永続メモリとエージェント間通信にますます依存している。 これらの機能は、個々のインタラクションを超えて広がるプライバシーリスクを生み出す。分離されたリリースは、受信者に対して以前に公表された情報と組み合わせたり、計画されたワークフローに沿って下流エージェントに伝達されたりする際に、不適切になる可能性がある。 エージェントシステムのための既存の文脈整合性(CI)メカニズムは、典型的には、受信者の履歴に関係なく、個々の開示を独立して評価する局所的な判断に依存するが、情報がどのように下流で伝播するかを考慮しない。 しかしながら、現在のバウンダリでのコンプライアンスはワークフロー全体の適切性を保証するものではない。 マルチエージェントシステムにおけるコンテキスト整合性の最初のタスクグラフネイティブな形式化について,タスクグラフのコンテキスト整合性(TG-CI)を紹介する。 TG-CIは、Multi-Agent Task Graph (MATG)としてワークフローを表現し、アイテムの意図する伝搬範囲と受信者の進化する開示状態を共同で検討することによって、CIを原子移動からステートフルなグラフレベルの情報フローに拡張する。 本稿では,TG-CIを,全下流領域の許容性を必要とするFull-Scopeと,軽量フロンティアゲートを用いて各項目を最大許容領域に閉じ込めるAuto-Regionの2つの相補的なポリシの下で運用する。 さらに、MAPLE-Benchは、MATGトポロジ、開示履歴、妥協されたエージェント配置、アイテムレベルのプライバシポリシの4つのシナリオにまたがる144のケースのベンチマークである。 第1の実験構成では、TG-CIは、ベースラインのタスク精度の93.6-96.1%を維持しながら、ローカル-ヒストリーCIベースラインと比較して、平均無許可の開示回数を85.8-94.1%削減する。

関連論文リスト

• AgentCIScope: Grounded Contextual Integrity Evaluation for LLM Agents [19.875379195689224]
  本稿では,エージェントレベルのコンテキスト整合性を評価するための統一プラットフォームとベンチマークであるAgentCIScopeを紹介する。 936のタスクに対して12のエージェントを評価し,強いタスク補完能力がコンテキスト統合を保証していないことを発見した。
  論文  参考訳（メタデータ） (2026-10-13T20:25:00Z)
• PiSAs: Benchmarking Contextual Integrity in Multi-User Agentic Systems [29.778310164003557]
  意図しないリークを評価するためのベンチマークPiSA(Privacy in Shared Agentic Systems)を紹介する。 これにより、エージェントシステムコンポーネントやインターフェース間でのユーザ間の流出を直接測定できる。 システム設計はCIコンプライアンスを改善するが、誤ったLCM判定コールによって結果がボトルネックになることがわかった。
  論文  参考訳（メタデータ） (2026-07-06T16:57:24Z)
• It Takes Two: Complementary Self-Distillation for Contextual Integrity in LLMs [73.46918128880786]
  タスク解決から情報抑制を分離する自己蒸留フレームワーク。 タスク解決から情報抑制を分離する自己蒸留フレームワーク。
  論文  参考訳（メタデータ） (2026-05-18T13:57:44Z)
• Anonymous-by-Construction: An LLM-Driven Framework for Privacy-Preserving Text [0.42821598129654453]
  テキストを匿名化するLLM駆動置換パイプラインをオンプレミスで開発する。 プライバシー、セマンティックユーティリティ、およびプライバシー下でのトレーサビリティを測定します。 提案手法は,最先端のプライバシ,トピックドリフトの最小化,実効性の向上,トレーニング可能性の低下を実現する。
  論文  参考訳（メタデータ） (2026-03-17T23:46:15Z)
• Information-Theoretic Privacy Control for Sequential Multi-Agent LLM Systems [5.100622189286672]
  逐次マルチエージェント大規模言語モデル (LLM) システムにおいて, 偶発的プライバシー漏洩について検討する。 そこで本研究では,エージェント出力とエージェントローカル依存変数間の情報フローを直接制約する,プライバシ規則化されたトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-13T18:23:03Z)
• Connecting the Dots: Training-Free Visual Grounding via Agentic Reasoning [63.109585527799005]
  GroundingAgentは、タスク固有の微調整なしで動作するビジュアルグラウンドティングフレームワークである。 広く使用されているベンチマークでは、平均ゼロショットグラウンドの精度は65.1%である。 また、強い解釈可能性を提供し、各推論ステップを透過的に照らす。
  論文  参考訳（メタデータ） (2025-11-24T03:11:08Z)
• 1-2-3 Check: Enhancing Contextual Privacy in LLM via Multi-Agent Reasoning [18.751008976082655]
  プライバシ推論を専門のサブタスク(抽出,分類)に分解するマルチエージェントフレームワークを導入する。 情報フロートポロジに対して系統的なアブレーションを行い、上流検出がダウンストリームリークにカスケードを間違えた理由を明らかにした。
  論文  参考訳（メタデータ） (2025-08-11T06:34:09Z)
• 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)
• Federated Natural Policy Gradient and Actor Critic Methods for Multi-task Reinforcement Learning [46.28771270378047]
  フェデレート強化学習(RL)は、ローカルデータトラジェクトリを共有することなく、複数の分散エージェントの協調的な意思決定を可能にする。 本研究では,環境の同じ遷移カーネルを共有しながら,各エージェントが異なるタスクに対応する個別の報酬関数を持つマルチタスク設定について考察する。 我々は、分散された方法で全てのエージェントの割引された全報酬の総和を最大化する、世界的な最適政策を学習する。
  論文  参考訳（メタデータ） (2023-11-01T00:15:18Z)
• Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
  本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。 我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
  論文  参考訳（メタデータ） (2021-12-03T19:23:48Z)

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。