論文の概要: Out of Sight: Compression-Aware Content Protection against Agentic Crawlers

• arxiv url: http://arxiv.org/abs/2607.08180v1
• Date: Thu, 09 Jul 2026 07:27:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.439811
• Title: Out of Sight: Compression-Aware Content Protection against Agentic Crawlers
• Title（参考訳）: 目に見える: エージェントクローラーに対する圧縮対応コンテンツ保護
• Abstract要約: CAPEは、人間の目に見える表面形態を変えることなく、目に見えない摂動を注入することで、高価値のテキストコンテンツを保護する。 実験によると、CAPEは最強のベースラインよりも最大75.8%情報損失を改善する。 本稿では,エージェント時代のコンテンツ保護研究を促進するために,コンテキスト圧縮を新たな防衛層として明らかにすることを目的とする。
• 参考スコア（独自算出の注目度）: 4.565956924874572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rise of LLM-based agents with reasoning, summarization, and memory capabilities has created a new threat surface for online content that conventional defenses fail to address. Existing defenses like access controls can be circumvented by agents mimicking ordinary browsers, and injection-based defenses often degrade human readability. In this paper, we revisit the agent pipeline and identify context compression, which agents routinely invoke to fit context budgets, as a critical yet overlooked defense layer. We propose CAPE, a framework that protects high-value textual content by injecting invisible perturbations without changing its human-visible surface form, thereby inducing severe information loss during agent compression. CAPE extracts disruptive seed perturbations from an accessible surrogate compressor, then adapts them to query-only target compressors through prior-guided evolution and preference-calibrated candidate prioritization, achieving effective protection under a low query budget. Experiments on three content types and four compression settings show that CAPE improves information loss by up to 75.8% over the strongest baseline while keeping protected content visually indistinguishable from originals. CAPE also transfers to real-world settings, including the LangGraph agent workflow and GitHub Copilot, highlighting its generality and practical value. This paper aims to reveal context compression as a new defense layer, promoting content protection research in the agent era.
• Abstract（参考訳）: 推論、要約、記憶能力を備えたLCMベースのエージェントの台頭により、オンラインコンテンツに対する新たな脅威面が生まれ、従来の防衛手段では対処できなかった。 アクセスコントロールのような既存のディフェンスは、通常のブラウザを模倣するエージェントによって回避され、インジェクションベースのディフェンスはしばしば人間の可読性を低下させる。 本稿では,エージェントパイプラインを再検討し,エージェントが日常的にコンテキスト予算に適合するように起動するコンテキスト圧縮を,重要かつ見落としている防御層として識別する。 人間の目に見える表面形態を変えることなく、目に見えない摂動を注入することで、高価値なテキストコンテンツを保護するフレームワークCAPEを提案し、エージェント圧縮時に深刻な情報損失を生じさせる。 CAPEは、アクセス可能なサロゲート圧縮機から破壊的な種子摂動を抽出し、それらをクエリのみのターゲット圧縮機に適応させる。 3種類のコンテンツタイプと4つの圧縮設定の実験では、CAPEはオリジナルと区別できない保護されたコンテンツを保ちながら、最強のベースライン上で最大75.8%の情報損失を改善する。 またCAPEは、LangGraphエージェントワークフローやGitHub Copilotなどの現実世界の設定にも移行し、その汎用性と実用的価値を強調している。 本稿では,エージェント時代のコンテンツ保護研究を促進するために,コンテキスト圧縮を新たな防衛層として明らかにすることを目的とする。

関連論文リスト

• When Agents Act on Web3: An Attack-Surface Survey of MCP, Skills, and Tool Calling [9.566535604762787]
  この調査では、このレイヤの4つの特性(可逆性、署名権限、継続的自律性、シーケンスレベルの構成)が、脅威モデルを質的に変更すると主張している。 我々は,断片化されたMPPセキュリティ文献を攻撃面の分類に整理し,Web3リスクマッピングマトリックスに寄与する。 新たなブロックチェーンベースのメカニズムを含む防衛機能を合成して、改善はしたものの不十分なものを見つけます。
  論文  参考訳（メタデータ） (2026-08-18T02:04:58Z)
• Prismata: Confining Cross-Site Prompt Injection in Web Agents [10.127091687983482]
  クロスサイトスクリプティングは、信頼できるコンテンツと信頼できないコンテンツを混在させることが危険であることを証明した。 エージェントは、自然言語を命令として解釈し、サードパーティやユーザ生成コンテンツがエージェントを乗っ取ることによって、このリスクを再認識する。 我々は、Webエージェントのコンテキスト最小特権を強制する防衛であるPrismataを提示する。
  論文  参考訳（メタデータ） (2026-07-09T06:37:52Z)
• Defense Against Prompt Inversion Attacks: An Information-Theoretic Approach for LLM Collaborative Inference [5.218013327284395]
  協調的なエッジクラウド推論により、リソース制約のあるデバイスは、クラウドサーバに部分計算をオフロードすることで、大きな言語モデル(LLM)を活用することができる。 中間的アクティベーションの送信は、インバージョンアタックを誘導する機密性の高いユーザープロンプトを公開する。 協調LLM推論におけるインバージョンを迅速に行うための情報理論防衛フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-10T02:36:26Z)
• WARD: Adversarially Robust Defense of Web Agents Against Prompt Injections [85.68545794960214]
  WARD(Web Agent Robust Defense against Prompt Injection)は、セキュアで効率的なWebエージェントのための実用的なガードモデルである。 WARDは,719の高トラフィックURLとプラットフォームから収集された約177Kのサンプルを備えた,大規模なデータセットであるWARD-Base上に構築されている。 我々は、メモリベースの攻撃とガード共進化プロセスを通じてWARDを反復的に強化する適応的敵攻撃訓練フレームワークであるA3Tを紹介する。
  論文  参考訳（メタデータ） (2026-05-14T16:26:27Z)
• Shattering the Echo Chamber: Hidden Safeguards in Manuscripts Against the AI Takeover of Peer Review [41.467123148467415]
  エンド・ツー・エンド・レビュー・アウトソーシングは新たな脅威だ。 会場に依存しない防衛フレームワークであるIntraGuardを提案する。 IntraGuardは最大84%の防衛成功率を達成した。
  論文  参考訳（メタデータ） (2026-05-06T13:23:40Z)
• Zombie Agents: Persistent Control of Self-Evolving LLM Agents via Self-Reinforcing Injections [57.64370755825839]
  セルフ進化エージェントはセッション間で内部状態を更新する。 我々はこのリスクを調査し、Zombie Agentと呼ばれる永続的な攻撃を形式化する。 我々は,攻撃者が制御するWebコンテンツを通じて間接的露光のみを使用するブラックボックス攻撃フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-17T15:28:24Z)
• NeuroFilter: Privacy Guardrails for Conversational LLM Agents [50.75206727081996]
  本研究は,エージェント型大規模言語モデル(LLM)のプライバシを強制する際の計算上の課題に対処する。 NeuroFilterは、標準違反をモデルのアクティベーション空間における単純な方向にマッピングすることで、コンテキスト整合性を運用するガードレールフレームワークである。 7Bから70Bパラメータのモデルをカバーする15万以上のインタラクションに対する包括的な評価は、NeuroFilterの強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-01-21T05:16:50Z)
• Less Is More -- Until It Breaks: Security Pitfalls of Vision Token Compression in Large Vision-Language Models [69.84867664371826]
  視覚トークン圧縮はLVLM(Large Vision-Language Models)のロバスト性を大幅に低下させることを示す。 小さくて知覚不能な摂動はトークンの重要度を著しく変更し、圧縮機構が誤ってタスククリティカル情報を破棄する。 我々は,この脆弱性を体系的に研究し,活用するための圧縮認識攻撃を提案する。
  論文  参考訳（メタデータ） (2026-01-17T13:02:41Z)
• The Sum Leaks More Than Its Parts: Compositional Privacy Risks and Mitigations in Multi-Agent Collaboration [72.33801123508145]
  大規模言語モデル(LLM)はマルチエージェントシステムに不可欠なものである。 プライバシーリスクは、暗記、直接推論、シングルターン評価を超えて現れる。 特に、相互作用によって構成される一見無害な反応は、敵が機密情報の回復を累積的に行うことができる。
  論文  参考訳（メタデータ） (2025-09-16T16:57:25Z)
• CoTGuard: Using Chain-of-Thought Triggering for Copyright Protection in Multi-Agent LLM Systems [55.57181090183713]
  我々は、Chain-of-Thought推論内でトリガーベースの検出を活用する著作権保護のための新しいフレームワークであるCoTGuardを紹介する。 具体的には、特定のCoTセグメントをアクティベートし、特定のトリガクエリをエージェントプロンプトに埋め込むことで、未許可コンテンツ再生の中間的推論ステップを監視する。 このアプローチは、協調エージェントシナリオにおける著作権侵害の微細かつ解釈可能な検出を可能にする。
  論文  参考訳（メタデータ） (2025-05-26T01:42:37Z)
• DrunkAgent: Stealthy Memory Corruption in LLM-Powered Recommender Agents [31.542621203252295]
  大規模言語モデル (LLM) を利用したエージェントは、リコメンデータシステム (RS) でますます使われている。 本稿では,LSMを用いたリコメンデータエージェントにおけるメモリベースの脆弱性について,初めて体系的に検討する。 我々はDrunkAgentという新しいブラックボックス攻撃フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-31T07:35:40Z)
• Air Gap: Protecting Privacy-Conscious Conversational Agents [44.04662124191715]
  敵のサードパーティアプリがインタラクションのコンテキストを操作して,LDMベースのエージェントを騙して,そのタスクに関係のない個人情報を明らかにする,新たな脅威モデルを導入する。 本研究では,特定のタスクに必要なデータのみへのアクセスを制限することで,意図しないデータ漏洩を防止するために設計されたプライバシ意識エージェントであるAirGapAgentを紹介する。
  論文  参考訳（メタデータ） (2024-05-08T16:12:45Z)

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。