MemPrivacy: Gestión de Memoria Personalizada con Preservación de la Privacidad para Agentes Edge-Cloud

MemPrivacy: Privacy-Preserving Personalized Memory Management for Edge-Cloud Agents

May 10, 2026

Autores: Yining Chen, Jihao Zhao, Bo Tang, Haofen Wang, Feiyu Xiong, Zhiyu Li

cs.AI

Resumen

A medida que los agentes impulsados por LLM se despliegan cada vez más en entornos de nube en el borde (edge-cloud), la memoria personalizada se ha convertido en un habilitador clave para la adaptación a largo plazo y la interacción centrada en el usuario. Sin embargo, la gestión de memoria asistida por la nube expone información sensible del usuario, mientras que los métodos existentes de protección de la privacidad suelen basarse en un enmascaramiento agresivo que elimina la semántica relevante para la tarea y, en consecuencia, degrada la utilidad de la memoria y la calidad de la personalización. Para abordar este desafío, proponemos MemPrivacy, que identifica segmentos sensibles a la privacidad en los dispositivos de borde, los reemplaza con marcadores de posición semánticamente estructurados y conscientes del tipo para el procesamiento de memoria en la nube, y restaura los valores originales localmente cuando es necesario. Al desacoplar la protección de la privacidad de la destrucción semántica, MemPrivacy minimiza la exposición de datos sensibles mientras conserva la información necesaria para una formación y recuperación efectivas de la memoria. También construimos MemPrivacy-Bench para una evaluación sistemática, un conjunto de datos que cubre 200 usuarios y más de 52 mil instancias de privacidad, e introducimos una taxonomía de privacidad de cuatro niveles para políticas de protección configurables. Los experimentos muestran que MemPrivacy logra un rendimiento sólido en la extracción de información de privacidad, superando sustancialmente a modelos de propósito general potentes como GPT-5.2 y Gemini-3.1-Pro, al tiempo que reduce la latencia de inferencia. En múltiples sistemas de memoria ampliamente utilizados, MemPrivacy limita la pérdida de utilidad a menos del 1.6%, superando a las estrategias de enmascaramiento de referencia. En general, MemPrivacy ofrece un equilibrio efectivo entre la protección de la privacidad y la utilidad de la memoria personalizada para agentes en entornos edge-cloud, permitiendo un despliegue seguro, práctico y transparente para el usuario.

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.