Fugu-MT 論文翻訳(概要): ARBITER: AI-Driven Filtering for Role-Based Access Control

論文の概要: ARBITER: AI-Driven Filtering for Role-Based Access Control

arxiv url: http://arxiv.org/abs/2512.20535v1
Date: Tue, 23 Dec 2025 17:25:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-24 19:17:49.950082
Title: ARBITER: AI-Driven Filtering for Role-Based Access Control
Title（参考訳）: ARBITER: ロールベースのアクセス制御のためのAI駆動フィルタリング
Authors: Michele Lorenzo, Idilio Drago, Dario Salvadori, Fabio Romolo Vayr,
Abstract要約: 我々の実装では、階層化された入出力検証、ロール認識検索、世代後ファクトチェックが実装されている。合成データセットを用いて389のクエリに対するアプローチを評価する。その結果,RAGシステムへの実践的RBAC展開は,動的エンタープライズ環境に必要な成熟度レベルに近づいていることが示唆された。
参考スコア（独自算出の注目度）: 0.2519906683279152
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Role-Based Access Control (RBAC) struggles to adapt to dynamic enterprise environments with documents that contain information that cannot be disclosed to specific user groups. As these documents are used by LLM-driven systems (e.g., in RAG) the problem is exacerbated as LLMs can leak sensitive data due to prompt truncation, classification errors, or loss of system context. We introduce \our, a system designed to provide RBAC in RAG systems. \our implements layered input/output validation, role-aware retrieval, and post-generation fact-checking. Unlike traditional RBAC approaches that rely on fine-tuned classifiers, \our uses LLMs operating in few-shot settings with prompt-based steering for rapid deployment and role updates. We evaluate the approach on 389 queries using a synthetic dataset. Experimental results show 85\% accuracy and 89\% F1-score in query filtering, close to traditional RBAC solutions. Results suggest that practical RBAC deployment on RAG systems is approaching the maturity level needed for dynamic enterprise environments.
Abstract（参考訳）: RBAC(Role-Based Access Control)は、特定のユーザグループに公開できない情報を含むドキュメントで、動的なエンタープライズ環境に適応するのに苦労する。これらの文書はLLM駆動システム(例えばRAG)で使用されるため、LCMが即座にトランケーション、分類エラー、システムコンテキストの喪失によって機密データを漏洩できるため、問題は悪化する。本稿では,RAGシステムにおけるRBACの提供を目的としたシステムである \our を紹介する。 \ourは階層化された入出力検証、ロール認識検索、ポストジェネレーションファクトチェックを実装している。微調整のクラシファイアに依存する従来のRBACアプローチとは異なり、Shaurは、迅速なデプロイメントとロール更新のためにプロンプトベースのステアリングを備えた、数ショット設定のLLMを使用する。合成データセットを用いて389のクエリに対するアプローチを評価する。実験の結果,従来のRBACソリューションに近いクエリフィルタリングでは,85 %の精度と89 %のF1スコアが得られた。その結果,RAGシステムへの実践的なRBAC展開は,動的エンタープライズ環境に必要な成熟度レベルに近づいていることが示唆された。

関連論文リスト

Query Suggestion for Retrieval-Augmented Generation via Dynamic In-Context Learning [42.850404278428954]
我々は、関連するユーザクエリからサンプルを検索する頑健な動的数ショット学習を導入する。本研究では,例えば事前のユーザクエリでは自己学習が可能であり,実際に容易に適用可能であることを示す。
論文参考訳（メタデータ） (2026-01-13T00:56:38Z)
Classifying and Addressing the Diversity of Errors in Retrieval-Augmented Generation Systems [10.899541303791928]
Retrieval-augmented Generation (RAG) は、質問応答システムを構築するための一般的なアプローチである。実世界のRAGシステムの複雑さのため、誤出力には多くの潜在的な原因がある。本稿では,現実的なRAGシステムで発生するエラーの種類,それぞれの例,そしてそれに対応するための実践的なアドバイスについて,新しい分類法を提案する。
論文参考訳（メタデータ） (2025-10-15T18:02:30Z)
Evaluating Retrieval-Augmented Generation Systems on Unanswerable, Uncheatable, Realistic, Multi-hop Queries [53.99620546358492]
実世界のユースケースでは、複雑なクエリを持つRAGシステムが存在し、関連する情報がコーパスから欠落したり、不完全であったりすることが多い。既存のRAGベンチマークは、マルチホップやスコープ外の質問に対して、現実的なタスクの複雑さを反映することはめったにない。 un$underlinec$heatable, $underliner$ealistic, $underlineu$nanswerable, $underlinem$ulti-hopの自動生成のための最初のパイプラインを提示する。
論文参考訳（メタデータ） (2025-10-13T21:38:04Z)
Role-Conditioned Refusals: Evaluating Access Control Reasoning in Large Language Models [9.010745644432221]
本研究は, LLMのアクセス制御ポリシーに準拠する能力に着目し, 承認された場合に応答し, 拒否した場合に応答することに着目し, 役割条件の拒絶について検討する。この振る舞いを評価するために、SpiderとBIRDのテキスト・ツー・ショット・データセットを拡張する新しいデータセットを作成しました。
論文参考訳（メタデータ） (2025-10-09T00:28:59Z)
DeepSieve: Information Sieving via LLM-as-a-Knowledge-Router [57.28685457991806]
DeepSieveはエージェントRAGフレームワークで、LLM-as-a-knowledge-routerを介して情報を収集する。我々の設計はモジュール性、透明性、適応性を重視しており、エージェントシステム設計の最近の進歩を活用している。
論文参考訳（メタデータ） (2025-07-29T17:55:23Z)
LTRR: Learning To Rank Retrievers for LLMs [53.285436927963865]
ルーティングベースのRAGシステムは、単一リトリバーベースのシステムよりも優れていることを示す。パフォーマンス向上は、特にAnswer Correctness(AC)メトリックでトレーニングされたモデルで顕著である。 SIGIR 2025 LiveRAG チャレンジの一環として,提案システムを用いて提案手法の有効性を実証した。
論文参考訳（メタデータ） (2025-06-16T17:53:18Z)
QE-RAG: A Robust Retrieval-Augmented Generation Benchmark for Query Entry Errors [23.225358970952197]
Retriever-augmented Generation (RAG) は、大規模言語モデル(LLM)の事実精度を高めるために広く採用されているアプローチである。 QE-RAGは、クエリエントリエラーに対するパフォーマンス評価に特化した、最初の堅牢なRAGベンチマークである。コントラスト学習に基づくロバスト検索学習法と検索拡張クエリ補正法を提案する。
論文参考訳（メタデータ） (2025-04-05T05:24:08Z)
Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
Retrieval-Augmented Generationは、大規模な言語モデル幻覚を緩和するための強力なアプローチとして登場した。既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
論文参考訳（メタデータ） (2025-02-17T18:56:20Z)
ChunkRAG: Novel LLM-Chunk Filtering Method for RAG Systems [2.8692611791027893]
Retrieval-Augmented Generation (RAG) システムは、無関係またはゆるい関連情報の検索によって不正確な応答を生成する。チャンクレベルで取得した情報を評価・フィルタリングすることでRAGシステムを強化するフレームワークであるChunkRAGを提案する。
論文参考訳（メタデータ） (2024-10-25T14:07:53Z)
RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
論文参考訳（メタデータ） (2024-08-02T13:35:11Z)
Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
論文参考訳（メタデータ） (2024-06-02T16:53:21Z)
Offline RL with No OOD Actions: In-Sample Learning via Implicit Value Regularization [90.9780151608281]
インサンプルラーニング(IQL)は、データサンプルのみを使用して、定量的回帰によってポリシーを改善する。サンプル内学習のパラダイムがtextitImplicit Value Regularization (IVR) フレームワークの下で生まれることを確認する。 Sparse $Q$-learning (EQL)とExponential $Q$-learning (EQL)の2つの実用的なアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-03-28T08:30:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。