PAAC: 프라이버시 인식 에이전틱 디바이스-클라우드 협업

PAAC: Privacy-Aware Agentic Device-Cloud Collaboration

May 9, 2026

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

cs.AI

초록

대규모 언어 모델(LLM) 에이전트는 구조적 긴장 관계에 직면해 있다. 클라우드 에이전트는 강력한 추론 능력을 제공하지만 사용자 데이터를 노출하는 반면, 온디바이스 에이전트는 프라이버시를 보호하지만 전반적인 성능을 희생한다. 기존의 디바이스-클라우드 설계는 이러한 경계를 에이전트 워크로드에 적합한 신뢰 경계가 아닌 단순한 컴퓨팅 분할로 간주하며, 기존의 정화 기법은 정책 유연성과 도구 호출에 필요한 구조적 충실성 사이에서 선택을 강요한다. 본 연구에서는 프라이버시를 고려한 에이전트 프레임워크인 PAAC를 개발한다. 이는 플래너-실행기 분해를 디바이스-클라우드 경계와 정렬하여 역할 특화 자체가 프라이버시 메커니즘이 되도록 한다. 클라우드 에이전트는 각 민감 값의 추론 역할을 유지하면서 내용을 폐기하는 유형화된 플레이스홀더 토큰 위에서 추론을 수행하고, 온디바이스 에이전트는 민감 구간을 식별하고 각 단계의 실행 결과를 간결한 핵심 발견 사항으로 증류한다. 정화 과정에서는 온디바이스 LLM이 마스킹할 구간을 제안하는 역할로 제한되고, 결정론적 레지스트리가 모든 대체와 복원을 수행하여 행위가 온디바이스에서 직접 실행 가능하도록 유지한다. 엄격한 프라이버시 설정 하에 세 가지 에이전트 벤치마크에서 PAAC는 프라이버시와 정확성의 파레토 프런티어를 지배하며, 최첨단 디바이스-클라우드 기준선 대비 평균 정확도를 15~36% 향상시키고 평균 정보 유출을 2~6배 감소시킨다. 특히 고정된 개체 분류 체계를 벗어난 프라이버시 대상에서 가장 큰 차이를 보인다. 수학, 과학, 금융 등 10개 도메인에 걸친 17개의 추가 벤치마크에서도 일관된 성능 향상을 확인한다.

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.