MemPrivacy: Privatsphäreschützende personalisierte Speicherverwaltung für Edge-Cloud-Agenten
MemPrivacy: Privacy-Preserving Personalized Memory Management for Edge-Cloud Agents
May 10, 2026
Autoren: Yining Chen, Jihao Zhao, Bo Tang, Haofen Wang, Feiyu Xiong, Zhiyu Li
cs.AI
Zusammenfassung
Da LLM-gestützte Agenten zunehmend in Edge-Cloud-Umgebungen eingesetzt werden, hat sich personalisiertes Gedächtnis zu einem zentralen Faktor für langfristige Anpassung und nutzerzentrierte Interaktion entwickelt. Allerdings setzt cloudgestütztes Gedächtnismanagement sensible Nutzerdaten offen, während bestehende Datenschutzmethoden typischerweise auf aggressive Maskierung setzen, die aufgabenrelevante Semantik entfernt und dadurch den Nutzen des Gedächtnisses sowie die Personalisierungsqualität beeinträchtigt. Um diese Herausforderung zu bewältigen, schlagen wir MemPrivacy vor, das datenschutzsensible Textabschnitte auf dem Edge-Gerät identifiziert, sie durch semantisch strukturierte, typbewusste Platzhalter für die Cloud-seitige Gedächtnisverarbeitung ersetzt und die Originalwerte bei Bedarf lokal wiederherstellt. Durch die Entkopplung von Datenschutz und semantischer Zerstörung minimiert MemPrivacy die Offenlegung sensibler Daten, während die für eine effektive Gedächtnisbildung und -abfrage erforderlichen Informationen erhalten bleiben. Zudem entwickeln wir MemPrivacy-Bench für eine systematische Evaluierung – einen Datensatz, der 200 Nutzer und über 52.000 Datenschutzinstanzen umfasst – und führen eine vierstufige Datenschutztaxonomie für konfigurierbare Schutzstrategien ein. Experimente zeigen, dass MemPrivacy bei der Extraktion von Datenschutzinformationen eine hohe Leistung erzielt und dabei starke Allzweckmodelle wie GPT-5.2 und Gemini-3.1-Pro deutlich übertrifft, während gleichzeitig die Inferenzlatenz reduziert wird. In mehreren weit verbreiteten Gedächtnissystemen beschränkt MemPrivacy den Nutzenverlust auf unter 1,6 % und übertrifft damit Basis-Maskierungsstrategien. Insgesamt bietet MemPrivacy eine effektive Balance zwischen Datenschutz und personalisiertem Gedächtnisnutzen für Edge-Cloud-Agenten und ermöglicht einen sicheren, praktischen und für den Nutzer transparenten Einsatz.
English
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.