EP-Mem: Elastic Privacy Memory for Social Relationship-Aware LLM Agents
作者: Fengzhou Sun, Yuan Zhang, Xintong Yu, Jinyao Yan
分类: cs.AI
发布日期: 2026-09-28
💡 一句话要点
提出EP-Mem以解决社交关系感知LLM代理的隐私问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 隐私保护 社交关系 大型语言模型 信息披露 多方基准 动态调整 用户控制
📋 核心要点
- 现有方法主要关注瞬时交互，未能有效解决长期社交关系中的隐私披露问题。
- EP-Mem通过用户配置的隐私策略和可插拔的隐私引擎，提供了一种新的隐私管理框架。
- 实验表明，EP-Mem在隐私分类和披露许可判断上显著提升，同时减少了隐私泄露。
📝 摘要（中文）
大型语言模型（LLM）代理在作为人机交互的代表时面临严重的隐私风险。为了防止此类泄露，代理必须理解用户的社交关系，并遵循上下文相关的社交信息披露边界。现有的代理内存隐私研究主要集中在瞬时交互上，未能探讨长期关系披露问题。本文提出了EP-Mem，一种弹性隐私内存架构，将隐私重新定义为用户拥有的边界控制。EP-Mem引入了基于用户配置的隐私策略的令牌级内存，并结合可插拔的隐私引擎，以在生成、存储和检索过程中对披露控制进行一致性管理。我们构建了EP-Bench，这是首个针对政策条件下关系披露的长期多方基准。实验结果表明，EP-Mem在隐私分类准确率上达到了94.0%，披露许可判断从22%提升至68%，隐私泄露减少了75.6%。
🔬 方法详解
问题定义：本文旨在解决大型语言模型代理在长期社交关系中隐私披露的挑战。现有方法主要集中在瞬时交互，未能有效管理长期关系中的隐私风险。
核心思路：EP-Mem通过将隐私视为用户控制的边界，结合用户配置的隐私策略和可插拔的隐私引擎，提供了一种灵活的隐私管理机制。这种设计使得代理能够根据社交角色和上下文动态调整信息披露。
技术框架：EP-Mem架构包括两个主要模块：令牌级内存和可插拔的隐私引擎。令牌级内存根据用户的隐私策略对个人和事件进行分层管理，而隐私引擎则确保在生成、存储和检索过程中对信息披露进行一致性控制。
关键创新：EP-Mem的主要创新在于将隐私管理与社交角色的动态调整相结合，突破了传统方法的局限，提供了更为灵活和安全的隐私控制机制。
关键设计：在设计中，EP-Mem采用了用户可配置的隐私策略，结合领域级默认规则和事实级白名单/黑名单例外，确保了隐私控制的精细化和个性化。
🖼️ 关键图片
📊 实验亮点
EP-Mem在隐私分类准确率上达到了94.0%，披露许可判断的提升幅度从22%增加至68%，隐私泄露减少了75.6%。这些结果表明，EP-Mem在隐私管理方面具有显著的优势，同时保持了良好的检索性能和跨基准的泛化能力。
🎯 应用场景
EP-Mem的研究成果可广泛应用于社交媒体、在线客服和智能助手等领域，帮助这些系统在与用户交互时更好地保护用户隐私。未来，随着社交关系的复杂性增加，该方法有望为隐私保护提供更为有效的解决方案。
📄 摘要（原文）
Large language model (LLM) agents face critical privacy risks when acting as delegates in human-agent-human communication. To prevent such breaches, agents must understand users' social relationships and adhere to context-dependent social information disclosure boundaries. Current studies on agent memory privacy focus on instantaneous interactions, leaving the long-term relational disclosure problem unexplored. In this paper, we propose EP-Mem, an Elastic Privacy Memory architecture that reframes privacy as user-owned boundary control across social roles. EP-Mem introduces (1) token-level memory driven by user-configurable a privacy policy that stratifies persons and events, combining domain-level default circulation rules with fact-level whitelist/blacklist exceptions; and (2) a pluggable sidecar with a privacy engine that aligns disclosure controls with memory across summary, detail, and boundary granularities, enforced throughout generation, storage, and retrieval. We construct EP-Bench, to our knowledge the first long-term multi-party benchmark with cross-session correlated events for policy-conditioned relational disclosure. Experiments show that EP-Mem achieves 94.0% privacy classification accuracy, improves disclosure-permission judgment from 22% to 68%, and reduces privacy leakage by 75.6%, while maintaining retrieval performance and cross-benchmark generalization.