論文の概要: Fair ASR: Re-Evaluating Black-Box Jailbreaks under Shared Target-Call Budgets

• arxiv url: http://arxiv.org/abs/2608.17360v1
• Date: Tue, 18 Aug 2026 04:26:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.218636
• Title: Fair ASR: Re-Evaluating Black-Box Jailbreaks under Shared Target-Call Budgets
• Title（参考訳）: 米フェアASR:ブラックボックスのジェイルブレイク再評価へ-予算案で
• Abstract要約: 本稿では,ブラックボックス・ジェイルブレイク攻撃の評価プロトコルであるFair-ASRを紹介する。 我々は、Fair-ASRプロトコルの下での11の代表的な攻撃を再評価し、攻撃ランクがターゲットコール予算によって大きく変わることを発見した。 この効率ギャップに動機づけられたReCodeは、デセンシタイズ書き換えと2つの効果的な低コストプリミティブを組み合わせた構成的予算効率の攻撃である。
• 参考スコア（独自算出の注目度）: 18.83088278144739
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable jailbreak evaluation is essential for assessing LLM safety, but most existing studies rely solely on attack success rate (ASR) without accounting for its dependence on attack budgets, resulting in unfair comparisons across methods. Existing compute-aware evaluations reduce heterogeneous resources into FLOPs, which is difficult to estimate for black-box models and fails to capture resource-specific constraints. To provide a comparable evaluation basis, we introduce Fair-ASR, an evaluation protocol for black-box jailbreak attacks under shared target-call budgets B, using target calls as a directly observable and method-agnostic comparison axis while tracking attacker calls separately for efficiency analysis. We re-evaluate 11 representative attacks under the Fair-ASR protocol and find that attack rankings change substantially across target-call budgets, simple stochastic perturbations and hand-crafted templates remain highly competitive under equal target access, and no evaluated LLM-driven method is efficient in both target and attacker calls. Motivated by this efficiency gap, we introduce ReCode, a compositional budget-efficient attack that combines desensitization rewriting with two effective low-cost primitives identified by Fair-ASR. Under a budget of 20 target calls, ReCode achieves 85% ASR on GPT-5 while requiring only 7.19 attacker calls per request on average, showing strong efficiency in both target and attacker calls.
• Abstract（参考訳）: LLMの安全性を評価するには信頼性の高いジェイルブレイク評価が不可欠であるが、既存の研究の多くは攻撃成功率(ASR)にのみ依存している。 既存の計算アウェア評価は異種資源をFLOPに還元するが、これはブラックボックスモデルでは推定が困難であり、リソース固有の制約を捕捉できない。 対象呼を直接観測可能かつメソッドに依存しない比較軸として使用し、効率分析のために別々に攻撃呼を追跡しながら、目標呼を効率解析する、共有対象呼予算Bに基づくブラックボックス・ジェイルブレイク攻撃の評価プロトコルであるFair-ASRを導入する。 我々は,Fair-ASRプロトコルの下での11の代表的な攻撃を再評価し,攻撃ランクがターゲットコール予算によって大きく変化すること,単純な確率的摂動と手作りテンプレートが同じターゲットアクセス下で高い競争力を持ち続けること,LLMによる評価手法がターゲットコールとアタッカーコールの両方において効率的でないこと,を見出した。 この効率ギャップによって動機づけられたReCodeは、デセンシタイズ書き換えとFair-ASRが特定した2つの効果的な低コストプリミティブを組み合わせた構成的予算効率の高い攻撃である。 20のターゲットコールの予算の下では、ReCodeはGPT-5上で85%のASRを達成すると同時に、平均して7.19の攻撃呼び出ししか必要とせず、ターゲットコールとアタッカーコールの両方で高い効率を示す。

関連論文リスト

• Rational Dolev--Yao Attackers: Decidable Incentive-Aware Verification of Security Protocols in Strategic Logic [2.2889059978882624]
  我々は,有限コストの同時ゲーム構造に対して有界な有理DY侵入に対して決定可能であることを証明した。 いくつかのプロトコルはDY非セキュアだが合理的に安全であり、計算可能なしきい値によって分離される。
  論文  参考訳（メタデータ） (2026-08-24T08:19:26Z)
• Stateful Cooperative Agents Safeguarding LLMs Against Evolving Multi-Turn Attacks [56.45762972211923]
  マルチターン攻撃に対するLDMの安全性を確保するためのプロアクティブ・ディフェンス・フレームワークを提案する。 特殊なエージェントが補完的な防衛戦略を実行するような、協調的なマルチエージェントアーキテクチャを採用している。 マルチターン攻撃における進化戦略をシミュレートするEMRAデータセットを提案する。
  論文  参考訳（メタデータ） (2026-07-31T14:04:49Z)
• WMAttack: Automated Attack Search for Adversarial Evaluation of World-Model Agents [53.84430233754606]
  WMAttackは、世界モデルエージェントの敵意評価のための自動攻撃探索フレームワークである。 WMAttackは攻撃構成に対する有限予算探索としてロバストネス評価を定式化する。 WMAttackは評価ベースラインよりも強力な攻撃を継続的に発見することを示す。
  論文  参考訳（メタデータ） (2026-05-22T04:31:09Z)
• Fine-Grained Iterative Adversarial Attacks with Limited Computation Budget [23.463577631629335]
  この研究は、限られた計算の下でAI安全研究において重要な課題に取り組む。 反復的敵攻撃の強さを最大化する方法 本稿では,繰り返しレベルと層レベルで層活性化を選択的に再計算する,きめ細かい制御機構を提案する。
  論文  参考訳（メタデータ） (2025-10-30T20:13:06Z)
• Untargeted Jailbreak Attack [42.94437968995701]
  勾配に基づく大規模言語モデル(LLM)に対するジェイルブレイク攻撃 本稿では,事前定義されたパターンを強制することなく,安全でない応答を誘発することを目的とした,最初の勾配に基づく非目標ジェイルブレイク攻撃(UJA)を提案する。 広範囲な評価により、UJAは最近の安全に配慮したLLMに対して、たった100回の最適化イテレーションで80%以上の攻撃成功率を達成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-03T13:38:56Z)
• DARTS: A Dual-View Attack Framework for Targeted Manipulation in Federated Sequential Recommendation [0.0]
  フェデレートされたレコメンデーション(FedRec)は、パーソナライズされたモデルの分散トレーニングを可能にすることによって、ユーザのプライバシを保護します。 本稿では,DV-FSRと呼ばれる新しいデュアルビューアタックフレームワークを提案する。このフレームワークは,サンプリングに基づく明示的戦略と対照的な学習に基づく暗黙的勾配戦略を組み合わせて,協調攻撃を編成する。
  論文  参考訳（メタデータ） (2025-07-02T05:57:09Z)
• REINFORCE Adversarial Attacks on Large Language Models: An Adaptive, Distributional, and Semantic Objective [57.57786477441956]
  応答の個体群に対する適応的・意味的最適化問題を提案する。 我々の目標は、Llama3の攻撃成功率(ASR)を2倍にし、サーキットブレーカー防御でASRを2%から50%に向上させることである。
  論文  参考訳（メタデータ） (2025-02-24T15:34:48Z)
• DV-FSR: A Dual-View Target Attack Framework for Federated Sequential Recommendation [4.980393474423609]
  フェデレートされたレコメンデーション(FedRec)は、パーソナライズされたモデルの分散トレーニングを可能にすることによって、ユーザのプライバシを保護します。 本稿では,DV-FSRと呼ばれる新しいデュアルビューアタックフレームワークを提案する。このフレームワークは,サンプリングに基づく明示的戦略と対照的な学習に基づく暗黙的勾配戦略を組み合わせて,協調攻撃を編成する。
  論文  参考訳（メタデータ） (2024-09-10T15:24:13Z)
• Advancing Generalized Transfer Attack with Initialization Derived Bilevel Optimization and Dynamic Sequence Truncation [49.480978190805125]
  転送攻撃はブラックボックスアプリケーションに大きな関心を惹きつける。 既存の作業は、本質的に単一のレベルの目的 w.r.t. シュロゲートモデルを直接最適化する。 本稿では,上位レベル(UL)と下位レベル(LL)のサロゲート攻撃とのネスト関係を明示的に再構築する2レベル最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:45:27Z)
• Improved Generation of Adversarial Examples Against Safety-aligned LLMs [72.38072942860309]
  勾配に基づく手法を用いて生成した敵対的プロンプトは、安全対応のLDMに対して自動ジェイルブレイク攻撃を行う際、優れた性能を示す。 本稿では,この問題に対する新たな視点を探求し,トランスファーベースの攻撃にインスパイアされたイノベーションを活用することで緩和できることを示唆する。 この組み合わせによって生成されたクエリ固有逆接接尾辞の87%がLlama-2-7B-Chatを誘導し、AdvBench上のターゲット文字列と正確に一致する出力を生成することを示した。
  論文  参考訳（メタデータ） (2024-05-28T06:10:12Z)
• DALA: A Distribution-Aware LoRA-Based Adversarial Attack against Language Models [64.79319733514266]
  敵攻撃は入力データに微妙な摂動をもたらす可能性がある。 最近の攻撃方法は比較的高い攻撃成功率(ASR)を達成することができる。 そこで本研究では,分散ロラをベースとしたDALA(Adversarial Attack)手法を提案する。
  論文  参考訳（メタデータ） (2023-11-14T23:43:47Z)
• Practical Evaluation of Adversarial Robustness via Adaptive Auto Attack [96.50202709922698]
  実用的な評価手法は、便利な(パラメータフリー)、効率的な(イテレーションの少ない)、信頼性を持つべきである。 本稿では,パラメータフリーな適応オートアタック (A$3$) 評価手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T04:53:54Z)

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。