MemPrivacy: エッジクラウドエージェントのためのプライバシー保護型パーソナライズドメモリ管理

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

May 10, 2026

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

cs.AI

要旨

LLM駆動エージェントがエッジクラウド環境にますます展開される中、パーソナライズされた記憶は長期適応とユーザ中心の対話を実現する重要な要素となっている。しかし、クラウド支援による記憶管理は機密性の高いユーザ情報を露呈させる一方、既存のプライバシー保護手法は通常、タスクに関連する意味情報を除去する強力なマスキングに依存しており、その結果、記憶の有用性やパーソナライズ品質が低下する。この課題に対処するため、我々はMemPrivacyを提案する。これは、エッジデバイス上でプライバシーに敏感なスパンを特定し、それらを意味的に構造化された型認識プレースホルダーに置き換えてクラウド側で記憶処理を行い、必要な際にローカルで元の値を復元する。プライバシー保護と意味破壊を分離することにより、MemPrivacyは機密データの露出を最小限に抑えつつ、効果的な記憶形成と検索に必要な情報を保持する。また、系統的評価のためのMemPrivacy-Benchを構築した。これは200ユーザ、52,000以上のプライバシーインスタンスをカバーするデータセットであり、構成可能な保護ポリシーのための4段階のプライバシー分類を導入する。実験では、MemPrivacyはプライバシー情報抽出において高い性能を示し、GPT-5.2やGemini-3.1-Proのような強力な汎用モデルを大幅に上回るとともに、推論レイテンシを低減する。複数の広く使われている記憶システムにおいて、MemPrivacyはユーティリティ損失を1.6%以内に抑え、ベースラインのマスキング戦略を上回る。総じて、MemPrivacyはエッジクラウドエージェント向けにプライバシー保護とパーソナライズされた記憶の有用性との効果的なバランスを提供し、安全で実用的かつユーザにとって透過的な展開を可能にする。

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.