TG-CI：面向多智能体隐私的任务图上下文完整性

论文提出图级上下文完整性框架 TG-CI 与基准 MAPLE-Bench。

资讯摘要

论文提出 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、图级别的信息流，同时考虑信息预期传播范围与接收方披露历史。作者以 Full-Scope 与 Auto-Region 两种策略实现传播范围授权，并构建含 144 个案例的 MAPLE-Bench。作者报告在主实验配置下，未授权披露次数较 Local-History CI 基线降低 85.8–94.1%，任务准确率保留 93.6–96.1%。

要点速读

1. 论文指出，现有智能体上下文完整性机制多为局部判断，未考虑信息沿工作流向下游传播。
2. TG-CI 将工作流表示为 Multi-Agent Task Graph，联合建模信息预期传播范围与接收方不断变化的披露状态。
3. 作者构建 MAPLE-Bench（144 个案例、四种场景），并报告未授权披露减少 85.8–94.1%、任务准确率保留 93.6–96.1%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。