近年、自律交渉エージェントは保険や調達などのハイリスク領域で広く利用されるようになっている。これらのエージェントは人間や組織に代わって複雑な交渉を行うが、その行動パターンから機密の制約情報が漏洩する可能性がある。従来の暗号技術は明示的に開示された数値を保護できるが、より巧妙な脅威である行動プライバシー漏洩には対処できない。攻撃者は譲歩の軌跡、応答のタイミング、収束パターンなどの交渉力学を観察することで、エージェントのプライベートな留保価格や制約を推論する。この問題に対して、ARES 2026のAI4TCIワークショップで採択された論文は、推論攻撃を形式化し、ランダム化ポリシーに基づく防御機構を提案している。
本論文の中心的な貢献は、適応的ランダム化交渉ポリシーの設計である。このポリシーは、(ε,δ)-差分プライバシー、オファー系列のほぼ確実な収束（相手の留保価格が許せば合意に達する）、そして高い交渉効用を同時に保証する。具体的には、エージェントは各ラウンドで確率的に最適応答から逸脱し、真の制約に関する行動痕跡を隠蔽する。ランダム化パラメータを調整することで、プライバシー保護の程度と交渉性能のバランスを取ることができる。
提案手法の有効性を検証するため、3,000回の合成二者間交渉実験が行われた。結果、敵対的推論の精度を43～50%削減しつつ、交渉成功率と効用を90%以上に維持できることが示された。これは、性能を大幅に犠牲にすることなく強力なプライバシー保証を達成できることを意味する。本研究は、プライバシーと性能の両方が厳しく要求されるアプリケーションにおいて、自律交渉システムの安全な展開に向けた重要な理論的基盤と実践的指針を提供する。