MemPrivacy : Gestion personnalisée de la mémoire préservant la vie privée pour les agents Edge-Cloud

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

May 10, 2026

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

cs.AI

Résumé

Alors que les agents basés sur des LLM sont de plus en plus déployés dans des environnements edge-cloud, la mémoire personnalisée est devenue un facteur clé pour l'adaptation à long terme et l'interaction centrée sur l'utilisateur. Cependant, la gestion de la mémoire assistée par le cloud expose des informations sensibles des utilisateurs, tandis que les méthodes existantes de protection de la vie privée reposent généralement sur un masquage agressif qui supprime la sémantique pertinente pour la tâche, dégradant ainsi l'utilité de la mémoire et la qualité de la personnalisation. Pour relever ce défi, nous proposons MemPrivacy, qui identifie les segments sensibles à la vie privée sur les appareils périphériques, les remplace par des espaces réservés typés et structurés sémantiquement pour le traitement de la mémoire côté cloud, puis restaure les valeurs d'origine localement lorsque cela est nécessaire. En découplant la protection de la vie privée de la destruction sémantique, MemPrivacy minimise l'exposition des données sensibles tout en conservant les informations nécessaires à une formation et à une récupération efficaces de la mémoire. Nous avons également construit MemPrivacy-Bench pour une évaluation systématique, un ensemble de données couvrant 200 utilisateurs et plus de 52 000 instances de données privées, et introduisons une taxonomie de la vie privée à quatre niveaux pour des politiques de protection configurables. Les expériences montrent que MemPrivacy atteint de bonnes performances en extraction d'informations privées, surpassant largement des modèles généralistes puissants tels que GPT-5.2 et Gemini-3.1-Pro, tout en réduisant la latence d'inférence. Sur plusieurs systèmes de mémoire largement utilisés, MemPrivacy limite la perte d'utilité à moins de 1,6 %, surpassant les stratégies de masquage de référence. Dans l'ensemble, MemPrivacy offre un équilibre efficace entre protection de la vie privée et utilité de la mémoire personnalisée pour les agents edge-cloud, permettant un déploiement sécurisé, pratique et transparent pour l'utilisateur.

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.