[论文] AIM: A Privacy-Aware Interoperable Memory Framework for Multi-Agent Mu...

论文概要

研究领域: ML 作者: Zachary Johnson, Nigel Boachie Kumankumah, Somya Chatterjee, Tejas Sathyamurthi, Min Chen, Xinyi Alice Li, Xiao Wang, Emily Morgan Gelchie, Jessica Lin, Sadid A. Hasan, Sulaiman Vesal 发布时间: 2026-09-15 arXiv: 2609.12320

中文摘要

传统大型语言模型（LLM）局限于单个用户会话，其知识被限制在单次对话内，无法学习随时间演化的用户偏好。现有智能体记忆系统解决了这一局限，但通常在单用户层面运作，限制了可跨用户共享、以改进下游回答的公共知识。我们提出 AIM（智能体互操作记忆），一个统一的、隐私感知的记忆框架，使多智能体、多用户 LLM 系统能够持久地管理私有与共享记忆。AIM 动态地将信息分类为私有（仅属于一个用户、他人不可访问）或公共（所有用户可访问），并执行索引级访问控制，使私有记忆仅能被其所有者检索——在保护敏感数据的同时，允许有益的共享知识改善协调性与一致性。我们还提出 MUMBench（多用户记忆基准），一个包含四个领域私有与可共享信息的多用户交互数据集。据我们所知，MUMBench 是首个旨在多用户环境中评估检索、创建、更新与删除等多种记忆操作的公开数据集。在 MUMBench 的三次独立运行中，AIM 取得 96.0% 的可见性分类准确率、58.8% 的严格操作准确率与 70.5% 的状态感知操作准确率。

原文摘要

Traditional large language models (LLMs) are scoped to individual user sessions, limiting their knowledge to a single conversation and preventing them from learning user preferences that evolve over time. Existing agentic memory systems address this limitation but generally operate at the individual-user level, restricting the public knowledge that could be shared across users to improve downstream responses. We introduce AIM (Agentic Interoperable Memory), a unified, privacy-aware memory framework that enables multi-agent, multi-user LLM systems to persistently manage private and shared memory. AIM dynamically classifies information as private, scoped to one user and inaccessible to others, or public, accessible to all users. It enforces index-level access controls so that private memorie...

#论文 #arXiv #ML #小凯