PAAC: プライバシー対応エージェンティック・デバイスクラウド連携

PAAC: Privacy-Aware Agentic Device-Cloud Collaboration

May 9, 2026

著者: Liangqi Yuan, Wenzhi Fang, Shiqiang Wang, Christopher G. Brinton

cs.AI

要旨

大規模言語モデル（LLM）エージェントは構造的な緊張関係に直面している。すなわち、クラウドエージェントは強力な推論を提供する一方でユーザデータを露出させ、オンデバイスエージェントはプライバシーを保護するが全体としての能力を犠牲にする。既存のデバイス・クラウド設計は、この境界をエージェント型ワークロードに適した信頼境界ではなく計算分割として扱っており、既存のサニタイザはポリシーの柔軟性とツール呼び出しに必要な構造的忠実性の間で選択を強いる。本研究では、プライバシー保護型エージェントフレームワークであるPAACを開発する。これはプランナー・実行器の分解をデバイス・クラウド境界に合わせることで、役割の専門化そのものをプライバシー機構とするものである。クラウドエージェントは型付きプレースホルダトークンに基づいて推論を行う。これらのトークンは各機密値の推論上の役割を保持しつつその内容を破棄する。一方、オンデバイスエージェントは機密スパンを特定し、各ステップの実行結果をコンパクトな主要な発見に凝縮する。サニタイゼーションはオンデバイスLLMをマスクすべきスパンの提案に限定し、すべての置換と復元は決定論的レジストリが実行することで、アクションをデバイス上で直接実行可能に保つ。厳格なプライバシー設定下での3つのエージェントベンチマークにおいて、PAACはプライバシーと精度のパレートフロンティアを支配し、最先端のデバイス・クラウドベースラインと比較して平均精度を15～36%向上させ、平均漏洩を2～6倍低減する。特に固定エンティティ分類体系に含まれないプライバシー対象において最大の差を達成する。数学、科学、金融を含む10ドメインにわたる17の追加ベンチマークでも一貫した改善が見られる。

English

Large language model (LLM) agents face a structural tension: cloud agents provide strong reasoning but expose user data, while on-device agents preserve privacy at the cost of overall capability. Existing device-cloud designs treat this boundary as a compute split rather than a trust boundary suited to agentic workloads, and existing sanitizers force a choice between policy flexibility and the structural fidelity tool calls require. In this work, we develop PAAC, a privacy-aware agentic framework that aligns planner--executor decomposition with the device-cloud boundary so that role specialization itself becomes the privacy mechanism. The cloud agent reasons over typed placeholder tokens that preserve each sensitive value's reasoning role while discarding its content, while the on-device agent identifies sensitive spans and distills each step's execution outcome into compact key findings. Sanitization confines the on-device LLM to proposing which spans to mask, while a deterministic registry performs all substitution and reversal, keeping actions directly executable on device. On three agentic benchmarks under strict privacy settings, PAAC dominates the Pareto frontier of privacy and accuracy, improving average accuracy by 15-36\% and reducing average leakage by 2-6times over state-of-the-art device-cloud baselines, with the largest margins on privacy targets outside fixed entity taxonomies. We find consistent improvements on 17 additional benchmarks spanning 10 domains, including math, science, and finance.