연구진은 조직 경계를 넘나드는 분산 에이전트 간 텍스트 교환 시 프라이버시 유출 문제를 제기했어요. DiSan 프레임워크는 텍스트를 역할과 스타일로 분리하여 프라이버시를 보호하고 작업 의미를 유지해요. 실험 결과, DiSan은 기존 방법보다 훨씬 효과적으로 개인 정보 노출을 줄이면서 답변의 충실도를 유지했어요.
연구진은 DiSan 프레임워크를 통해 텍스트의 스타일 정보를 분리하여 프라이버시를 보호하고, Federated proto-type alignment과 adversarial regularization을 활용하여 중앙 집중화 없이 공동 훈련을 가능하게 했어요. Enron 스타일 메트릭 속성 추론에서 73.2% 감소 효과를 보였으며, 답변 수준의 개인 정보 노출을 20배 줄였어요.
DiSan은 Intern-Shannon의 내장 구성 요소로, 분산 멀티 에이전트 RAG 벤치마크에서 83%의 답변 충실도를 유지하며 개인 정보 노출을 줄이는 데 효과적임을 입증했어요.