論文の概要: GraphSteal: Structural Knowledge Stealing from Graph RAG via Traversal Reconstruction

• arxiv url: http://arxiv.org/abs/2605.28645v1
• Date: Wed, 27 May 2026 15:50:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.189263
• Title: GraphSteal: Structural Knowledge Stealing from Graph RAG via Traversal Reconstruction
• Title（参考訳）: GraphSteal: トラバースレコンストラクションによるグラフRAGからの構造化知識ステアリング
• Authors: Jinze Gu, Qinghua Mao, Xi Lin, Jun Wu,
• Abstract要約: Graph RAGは知識グラフを検索パイプラインに統合し、構造化知識に符号化されたエンティティ、リレーション、マルチホップ依存関係へのアクセスを可能にする。 グラフRAGシステムを構造オラクルに変換できることを実証する。 本研究では,局所的およびグローバル的視点から対象グラフを復元する構造指向再構築フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.594828844069489
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-Augmented Generation (RAG) enhances LLMs by grounding generation in query-relevant external evidence. Beyond unstructured text corpora, Graph RAG integrates knowledge graphs into the retrieval pipeline, enabling LLMs to access entities, relations, and multi-hop dependencies encoded in structured knowledge. However, the same structured knowledge that empowers Graph RAG also creates a new privacy attack surface. We demonstrate that Graph RAG systems can be turned into structural oracles: through adaptive black-box interactions, an adversary can elicit sufficient relational evidence to reconstruct substantial portions of the hidden knowledge graph. We propose a structure-oriented reconstruction framework that recovers targeted graphs from both local and global perspectives. Specifically, Depth-Wise Heuristic Search extracts fine-grained node attributes by recursively expanding entity-centered evidence, while Breadth-Wise Diffusion Search infers graph topology by propagating across relation-induced neighborhoods. Experiments on generic and healthcare scenarios demonstrate that our method can recover over 90\% of the original knowledge graph from representative Graph RAG systems, revealing sensitive entities, relations, and structural dependencies with high fidelity. Existing guradrails provide limited defense against our attack, highlighting the inherent difficulty of safeguarding structural privacy in Graph RAG pipelines.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、クエリ関連外部証拠の生成を基盤としてLLMを強化する。 構造化されていないテキストコーパス以外にも、Graph RAGは知識グラフを検索パイプラインに統合し、構造化された知識に符号化されたエンティティ、リレーション、マルチホップ依存関係へのアクセスを可能にする。 しかし、Graph RAGに権限を与えるのと同じ構造化された知識は、新たなプライバシ攻撃サーフェスも生成する。 適応的なブラックボックス相互作用により、敵は隠れた知識グラフのかなりの部分を再構築するために十分な関係性証拠を導き出すことができる。 本研究では,局所的およびグローバル的視点から対象グラフを復元する構造指向再構築フレームワークを提案する。 具体的には、ディープス・ワイズ・ヒューリスティック・サーチ(Depth-Wise Heuristic Search)は、エンティティ中心のエビデンスを再帰的に拡張することで、きめ細かいノード属性を抽出する。 汎用および医療シナリオの実験により,本手法がグラフRAGシステムから元の知識グラフの90%以上を復元できることが実証された。 既存のグラッドレールは攻撃に対して限定的な防御を提供しており、Graph RAGパイプラインにおける構造的プライバシ保護の難しさを強調しています。

関連論文リスト

• From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG [8.449978933501965]
  本稿では,参照資料を構造化知識グラフに整理するグラフ検索拡張生成(GraphRAG)フレームワークを提案する。 提案手法では,高忠実度グラフ構築のためのMicrosoft GraphRAGとHippoRAGニューロシンボリックアルゴリズムの2相パイプラインを用いる。
  論文  参考訳（メタデータ） (2026-02-28T04:44:06Z)
• Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
  グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-23T05:41:05Z)
• Query-Efficient Agentic Graph Extraction Attacks on GraphRAG Systems [29.89127594311822]
  グラフベースの検索拡張生成(GraphRAG)システムは、文書コレクション上の知識グラフを構築し、マルチホップ推論をサポートする。 提案手法では,相手が適応的にシステムに問い合わせて潜伏するエンティティ関係グラフを盗む,予算制約付きブラックボックス設定について検討する。 本稿では,新たな探索探索戦略,外部グラフメモリモジュール,および2段階グラフ抽出パイプラインを活用するフレームワークであるAGEAを提案する。
  論文  参考訳（メタデータ） (2026-01-21T05:20:54Z)
• G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
  大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。 最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T04:38:12Z)
• Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning [32.78218766121055]
  グラフ検索拡張生成(GraphRAG)は,複雑な推論において,大規模言語モデルを効果的に拡張した。 本稿では,フレームワーク全体を複雑な統合として結合する,垂直に統一されたエージェントパラダイムYoutu-GraphRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-27T13:13:20Z)
• Exposing Privacy Risks in Graph Retrieval-Augmented Generation [32.961000274379835]
  Graph RAGは、外部の最新の知識でLLM(Large Language Models)を拡張するための強力なテクニックです。 本稿では,グラフRAGシステムのデータ抽出脆弱性について検討する。 グラフRAGシステムは生テキストの漏洩を減少させる可能性があるが、構造化された実体や関係情報の抽出には非常に脆弱である。
  論文  参考訳（メタデータ） (2025-08-24T06:19:44Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)

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。