MemPrivacy: Privacybeschermend Gepersonaliseerd Geheugenbeheer voor Edge-Cloud Agents

Samenvatting

Naarmate door LLM aangedreven agents steeds vaker worden ingezet in edge-cloud omgevingen, is gepersonaliseerd geheugen een belangrijke voorwaarde geworden voor aanpassing op lange termijn en gebruikersgerichte interactie. Cloud-ondersteund geheugenbeheer stelt echter gevoelige gebruikersinformatie bloot, terwijl bestaande privacybeschermingsmethoden doorgaans gebaseerd zijn op agressieve maskering, die taakrelevante semantiek verwijdert en daardoor de bruikbaarheid van het geheugen en de kwaliteit van personalisatie aantast. Om deze uitdaging aan te pakken, stellen wij MemPrivacy voor, dat privacygevoelige segmenten op edge-apparaten identificeert, deze vervangt door semantisch gestructureerde typebewuste plaatshouders voor cloud-zijdige geheugenverwerking, en de oorspronkelijke waarden lokaal herstelt wanneer nodig. Door privacybescherming te ontkoppelen van semantische vernietiging, minimaliseert MemPrivacy de blootstelling van gevoelige gegevens, terwijl de informatie behouden blijft die nodig is voor effectieve geheugenvorming en -terugwinning. We hebben ook MemPrivacy-Bench geconstrueerd voor systematische evaluatie, een dataset die 200 gebruikers en meer dan 52.000 privacy-instanties omvat, en introduceren een vierlagige privacy-taxonomie voor configureerbare beschermingsbeleid. Experimenten tonen aan dat MemPrivacy sterke prestaties levert bij het extraheren van privacy-informatie, aanzienlijk beter dan krachtige algemene modellen zoals GPT-5.2 en Gemini-3.1-Pro, terwijl ook de inferentielatentie wordt verminderd. Bij meerdere veelgebruikte geheugensystemen blijft het nutverlies van MemPrivacy beperkt tot 1,6%, beter dan baseline maskeringsstrategieën. Over het geheel genomen biedt MemPrivacy een effectieve balans tussen privacybescherming en gepersonaliseerd geheugennut voor edge-cloud agents, waardoor een veilige, praktische en voor de gebruiker transparante implementatie mogelijk wordt.

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.