arXiv cs.AI· Hengyu Wu, Blaise Delattre, Yang Cao·· 13 小时前AI 评分31
多智能体隐私新框架 TG-CI：在信息传播前完成判断
Judging Before Propagation: Task-Graph Contextual Integrity for Multi-Agent Privacy
AI 导读
研究者提出 Task-Graph Contextual Integrity（TG-CI），将多智能体工作流建模为 Multi-Agent Task Graph，把上下文完整性从单次信息传递扩展到有状态的图级信息流，并给出 Full-Scope 与 Auto-Region 两种传播范围授权策略。
正文 · AI 翻译
摘要：多智能体 LLM 系统日益依赖持久记忆与智能体间通信。这些能力带来的隐私风险超出了单次交互的范围：单独来看适当的披露，在与先前已向某接收方披露的信息相结合，或沿计划工作流传播至下游智能体后，可能变得不再适当。现有面向智能体系统的上下文完整性（CI）机制通常依赖局部判断，孤立地评估每次披露，无论是否考虑接收方的历史记录，但未考虑信息如何向下游传播。然而，在当前边界处合规并不能保证整个工作流中的适当性。我们提出任务图上下文完整性（TG-CI），据我们所知，这是首个面向多智能体系统的、原生基于任务图的上下文完整性形式化。TG-CI 将工作流表示为多智能体任务图（MATG），并通过联合考虑条目的预期传播范围与接收方不断演变的披露状态，将 CI 从原子传输扩展到有状态的图级信息流。我们通过两种互补策略下的传播范围授权来落地 TG-CI：Full-Scope 要求在整个下游范围内均可允许，Auto-Region 则利用轻量级边界门将每个条目限制在其最大可允许区域内。我们进一步提出 MAPLE-Bench，这是一个包含四个场景下 144 个用例的基准，联合变化 MATG 拓扑、披露历史、受损智能体位置和条目级隐私策略。在我们的主要实验配置中，相对于 Local-History CI 基线，TG-CI 将平均未授权披露次数降低了 85.8-94.1%，同时保留了基线 93.6-96.1% 的任务准确率，两种执行策略提供了互补的隐私—成本—效用权衡。
| 学科： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.39532 [cs.CR] |
| （或本版本的 arXiv:2610.39532v1 [cs.CR]） | |
| https://doi.org/10.48550/arXiv.2610.39532 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hengyu Wu [查看邮箱]
[v1]
2026年10月29日 星期四 07:31:50 UTC（351 KB）
来源：arXiv cs.AI · arxiv.org