כתבה
arXiv cs.AI ·
ניהול זיכרון-מודע: פרקטיקה-מוגנת לבקרת גישה-עמוקה באג'נטים AI של חברות
Lineage-Aware Memory Governance: A Derivation-Gated Framework for Privacy-Preserving Column-Level Access Control in Enterprise AI Agents
ניהול זיכרון-מודע: פרקטיקה-מוגנת לבקרת גישה-עמוקה באג'נטים AI של חברות. המאמר עוסק בפיתוח של יחידת זיכרון-מודע (AMU) שמקשרת גרף של רצף-הפעלה (lineage) לכל תוצאה-מחסנת. ה-AMU מגביל את הגישה לתוצאות רק אם המבקר רשות לגישה לכל הערוכים שהתוצאה תלויה בהם. המאמר מציג תוצאות-מבחן של שישה ניסויים שמדגימים את יעילות ה-AMU בבקרת גישה-עמוקה.
תקציר מקורי באנגליתarXiv:2610.07258v1 Announce Type: cross Abstract: Enterprise AI agents that share a memory store face two unaddressed risks: sensitive data can leak through legitimately computed results the requester could not derive, and departments can silently compute a same-named key performance indicator (KPI) through conflicting logic. Existing agent-memory systems (e.g., MemGPT, Zep, A-MEM) gate retrieval by content, ownership, and role, not derivation, missing a cached insight that embeds a forbidden column. We introduce the Analytical Memory Unit (AMU), a memory schema that attaches a full derivation (lineage) graph to every cached result, gated by a retrieval policy that serves a hit only when the requester is authorised for every column touched. Provided lineage recording is complete, we prove
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית