論文の概要: MIRROR: Novelty-Constrained Memory-Guided MCTS Red-Teaming for Agentic RAG

• arxiv url: http://arxiv.org/abs/2606.26793v1
• Date: Thu, 25 Jun 2026 09:26:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.225931
• Title: MIRROR: Novelty-Constrained Memory-Guided MCTS Red-Teaming for Agentic RAG
• Title（参考訳）: MIRROR: エージェントRAGのための新しい制約付きメモリガイドMCTSリチーム
• Abstract要約: マルチモーダルエージェント検索拡張生成(RAG)システムは、即時注入を超えて攻撃面を拡大する。 既存のレッドチーム方式は通常、表面特異的であり、既知のアタックテンプレートを再利用する。 メモリ誘導型モンテカルロ木探索を行う統合型クロスサイトフレームワークMIRRORを提案する。
• 参考スコア（独自算出の注目度）: 1.157032529559884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal agentic retrieval-augmented generation (RAG) systems expand the attack surface beyond prompt injection to include text poisoning, image injection, direct-query attacks, and orchestrator-level tool manipulation. Existing red-teaming approaches are typically surface-specific and often recycle known attack templates; on text-poisoning benchmarks we measure 73-84% exact duplication. We present MIRROR, a unified cross-surface framework that performs memory-guided Monte Carlo tree search while conditioning candidate generation on retrieved context under an explicit novelty constraint. A deterministic Novelty Gate rejects any candidate matching the retrieval set under normalized comparison, allowing retrieval to inform search priors without enabling prompt copying. Across four attack surfaces on a multimodal agentic RAG target, MIRROR attains 76% ASR on image poisoning compared with 52% for baselines, 97% ASR on orchestrator attacks at half the query cost, and the lowest cross-surface variance (coefficient of variation 0.47). In contrast, specialized baselines collapse across surfaces: suffix optimization reaches 79% ASR on text poisoning but 1% on direct queries. We release ART-SafeBench with 41,815 in-package records and runtime adapters yielding 41,991+ total records across four surfaces.
• Abstract（参考訳）: マルチモーダルエージェント検索拡張生成(RAG)システムは、テキスト中毒、イメージインジェクション、ダイレクトクエリー攻撃、オーケストレータレベルのツール操作を含む、迅速なインジェクションを超えて攻撃面を拡張する。 既存のレッドチーム方式は、通常は表面特異的であり、既知の攻撃テンプレートを再利用することが多い。 我々は,メモリ誘導型モンテカルロ木探索を明示的な新規性制約の下で,検索した文脈で候補生成を条件付けながら行う,統合されたクロスサイトフレームワークMIRRORを提案する。 決定論的ノベルティゲートは、正規化比較において検索セットに適合する任意の候補を拒絶し、検索が即時コピーを許さずに検索先を知らせることを可能にする。 マルチモーダルエージェントRAGターゲットの4つの攻撃面にまたがって、MIRRORはベースラインの52%、オーケストレータ攻撃の97%、クエリコストの半額で、画像毒性の76%を達成している。 接尾辞最適化はテキスト中毒では79%、直接クエリでは1%に達する。 ART-SafeBenchにはパッケージ内レコード41,815、ランタイムアダプタが4面にわたって41,991以上の総レコードを生成しています。

関連論文リスト

• Beyond Vector Similarity: Hierarchical Context-Aware Graph RAG vs Standard RAG in Enterprise Code Migration [3.164177271211724]
  本稿では,制約を解決するための階層型コンテキスト-レジデントグラフ(HCRG)手法を提案する。 私たちのパイプラインでは、抽象構文木(AST)抽出にツリーシッターを使用し、アーキテクチャエッジをGoogle Cloud Spanner Property Graphにマッピングし、この構造をGeminiコンテキストキャッシュにシリアライズしています。 最終的に、幻覚を減らすためのコードの複雑さを交換する一方で、Graph RAGは、自動化されたエンタープライズモダナイゼーションのための、はるかに実用的でアーキテクチャ的に健全なパスを提供します。
  論文  参考訳（メタデータ） (2026-09-11T05:54:41Z)
• MOSAIC: Query-Aware Exploration Policy Adaptation for GraphRAG [0.9981673042249516]
  GraphRAGはコーパスグラフに分散したエビデンスを接続することができるが、ほとんどのシステムはクエリ間で共有された探索手順を使用している。 本稿では、GraphRAG検索をクエリごとの制御問題として定式化する、トレーニング不要のフレームワークであるMosaicを提案する。 モザイクは最強の標準的固定政策よりも9.96ポイント改善している。
  論文  参考訳（メタデータ） (2026-09-10T04:12:18Z)
• TRIS: A Tri-Layer Retrieval Integrity Sieve Against Knowledge Poisoning [6.613886785198943]
  Tri-Layer Sieveは、クロスエンベディング空間クラスタリングによって得られた証拠を衛生化する。 1つの文書は1つの埋め込み幾何学、1つの内部Trigger-Payload構造、1つの世代目標を満たさなければならない。
  論文  参考訳（メタデータ） (2026-08-31T23:21:27Z)
• WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents [53.426679066400844]
  WeAgent-Harnessは、ネイティブテキストビジョンインタラクションと実行時リカバリをサポートするマルチモーダルエージェントハーネスである。 WeAgent-MMSearchは,データ構築,エージェントポストトレーニング,マルチモーダルロールアウトにまたがる統合システムである。 また、150タスクの人間認証ベンチマークであるVisTarget-Benchを紹介します。
  論文  参考訳（メタデータ） (2026-08-28T08:28:43Z)
• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• Breadcrumbing Search Agents [118.20284823674382]
  LLMベースの検索エージェントは情報検索タスクに広く利用されているが、外部ツールへの依存度は重大なセキュリティリスクをもたらす。 検索およびページ観察を行うチャネルは脆弱なセキュリティ境界であることを示す。 制約付きツール仲介脅威モデルの下では、クエリ毎に1つのコントロールされた結果のみを追加することで、攻撃の成功を大幅に増加させることができる。
  論文  参考訳（メタデータ） (2026-08-05T07:57:27Z)
• Domain-Conditioned Safety in Frontier Computer-Using Agents: A 793-Episode Browser Benchmark, a Coding-Domain Cross-Reference, and a Reproducibility Audit of Recent Red-Teaming [0.0]
  最近のCUA (Computer-using-agent) レポートでは、プロンプトインジェクションアタック成功率 (ASR) は42-98%と報告されている。 我々は,手作りテンプレートとして再現されたこれらのテクニックが,現在のフロンティアCUAに対して有効であるかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-03T01:21:59Z)
• SilentRetrieval: Hijacking Retrieval-Augmented Generation via Semantically-Preserving Adversarial Data Poisoning [1.0998907972211756]
  SilentRetrievalは2段階のデータ中毒攻撃で、RAGシステムを敵対的な文書でハイジャックする。 SilentRetrievalは84.6%/81.3% HR@10、57.5%/54.8% ASR-LLM on Natural QuestionsとMS MARCOを達成している。
  論文  参考訳（メタデータ） (2026-05-27T07:30:30Z)
• Architecture Matters: Comparing RAG Systems under Knowledge Base Poisoning [0.0]
  RAGシステムは知識ベース中毒に弱いが、既存の攻撃はほとんどバニラレトリプタン生成パイプラインに対して評価されている。 我々は,921の自然質問QAペアに対して,制御された単一文書中毒の4つのRAGアーキテクチャ(vanilla RAG, agentic RAG, MADAM-RAG, Recursive Language Models)を評価した。
  論文  参考訳（メタデータ） (2026-05-07T03:36:14Z)
• Test-Time Strategies for More Efficient and Accurate Agentic RAG [58.44913384057518]
  Retrieval-Augmented Generation (RAG) システムは複雑なマルチホップ問題に直面している。 このような手法は、以前に処理された情報の反復的な検索を含む非効率性を導入することができる。 本稿では,これらの問題を軽減するために,サーチ-R1パイプラインに対するテスト時間修正について検討する。
  論文  参考訳（メタデータ） (2026-03-12T19:18:59Z)
• Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
  Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。 我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。 本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
  論文  参考訳（メタデータ） (2026-03-09T18:20:20Z)
• RSAgent: Learning to Reason and Act for Text-Guided Segmentation via Multi-Turn Tool Invocations [52.752467948588816]
  エージェント型マルチモーダル大規模言語モデル(MLLM)であるRSAgentを提案する。 RSAgentはセグメンテーション・ツールボックスをクエリし、視覚的フィードバックを観察し、歴史的観測を用いて空間仮説を改訂し、ターゲットを再ローカライズし、反復的にマスクを洗練させる。 RSAgentはReasonSegテストで66.5% gIoUのゼロショット性能を達成し、Seg-Zero-7Bを9%改善し、RefCOCOgで81.5% cIoUに達した。
  論文  参考訳（メタデータ） (2025-12-30T06:50:11Z)
• AdvQDet: Detecting Query-Based Adversarial Attacks with Adversarial Contrastive Prompt Tuning [93.77763753231338]
  CLIP画像エンコーダを微調整し、2つの中間対向クエリに対して同様の埋め込みを抽出するために、ACPT(Adversarial Contrastive Prompt Tuning)を提案する。 我々は,ACPTが7つの最先端クエリベースの攻撃を検出できることを示す。 また,ACPTは3種類のアダプティブアタックに対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-08-04T09:53:50Z)
• Corpus Poisoning via Approximate Greedy Gradient Descent [48.5847914481222]
  本稿では,HotFlip法をベースとした高密度検索システムに対する新たな攻撃手法として,近似グレディ・グラディエント・Descentを提案する。 提案手法は,複数のデータセットと複数のレトリバーを用いて高い攻撃成功率を達成し,未知のクエリや新しいドメインに一般化可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-07T17:02:35Z)
• BadRAG: Identifying Vulnerabilities in Retrieval Augmented Generation of Large Language Models [18.107026036897132]
  大規模言語モデル(LLM)は時代遅れの情報と誤ったデータを生成する傾向によって制約される。 Retrieval-Augmented Generation (RAG) は、検索手法の強みと生成モデルを組み合わせることで、これらの制限に対処する。 RAG は LLM に対する新たな攻撃面を導入している。特に RAG データベースは Web などの公開データからしばしば引き出されるためである。
  論文  参考訳（メタデータ） (2024-06-03T02:25:33Z)

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。