論文の概要: Ghost Echoes: Semantic Erasure Failure in Retrieval-Backed Applications

• arxiv url: http://arxiv.org/abs/2608.20352v1
• Date: Tue, 16 Jun 2026 20:57:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.278119
• Title: Ghost Echoes: Semantic Erasure Failure in Retrieval-Backed Applications
• Title（参考訳）: ゴーストエコー: 検索支援アプリケーションにおけるセマンティック消去の失敗
• Abstract要約: API可視な削除は、検索支援されたアプリケーションに対する完全なセマンティック消去を保証するものではない。 Ghost Echoesは、削除されたレコードが下流の検索コンテキストに残留する影響を計測できることを示すブラックボックス攻撃フレームワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although vector databases correctly implement API-visible deletion, this does not guarantee complete semantic erasure for retrieval-backed applications. We present Ghost Echoes, a black-box attack framework showing that deleted records can leave measurable residual influence on downstream retrieval contexts. Our primary finding is the RAG retrieval-context drift effect where even when a target record is correctly excluded from query results, its prior presence perturbs the semantic centroid and textual composition of the Top-K evidence base. We approximate the unobservable never-inserted counterfactual using a same-cluster non-target deletion control that preserves local neighborhood structure while isolating target-specific effects from generic local drift. Evaluation on ChromaDB confirms target deletion produces a median retrieval-centroid drift of 0.1522, exceeding the same-cluster baseline in 53/54 paired comparisons (p < 0.001), and the signal remains detectable with 61.1% accuracy at a query budget of q = 5. We verify API-visible deletion correctness across evaluated backends and observe the same qualitative drift ordering in matched FAISS replication. Under the evaluated settings, tested operational mitigations such as full index rebuilds fail to eliminate the measured drift. These results establish a measurable 'verification gap' between interface-level deletion compliance and true semantic erasure, and motivate erasure primitives that act not only on stored identifiers, but also on the retrieval topology of the system.
• Abstract（参考訳）: ベクトルデータベースは、API可視の削除を正しく実装しているが、検索支援されたアプリケーションに対する完全なセマンティック消去を保証していない。 Ghost Echoesは、削除されたレコードが下流の検索コンテキストに残留する影響を計測できることを示すブラックボックス攻撃フレームワークである。 我々の主な発見はRAG検索コンテキストドリフト効果であり、ターゲットレコードがクエリ結果から正しく除外されたとしても、その先行存在はTop-Kエビデンスベースのセマンティックセントロイドとテキスト構成を摂動させる。 局所的な局所的ドリフトから標的特異的な効果を分離しながら、局所的な局所的な構造を保った同一クラスタ非ターゲット削除制御を用いて、観測不可能な偽造を近似する。 ChromaDBの評価によると、ターゲットの削除は0.1522で、53/54のペア比較(p < 0.001)で同じクラスタベースラインを超え、Q = 5のクエリ予算で61.1%の精度で検出できる。 評価されたバックエンド間でのAPI可視的削除の正当性を検証し,FAISSレプリケーションで同一の定性的ドリフト順序を観測する。 評価された設定の下では、フルインデックス再構築のようなテストされた運用緩和は、測定されたドリフトを排除できない。 これらの結果は、インタフェースレベルの削除コンプライアンスと真の意味的消去の間の測定可能な「検証ギャップ」を確立し、記憶された識別子だけでなく、システムの検索トポロジにも作用する消去プリミティブを動機付けている。

関連論文リスト

• DRSR: Learning Set-Level Deletion Risk for Efficient Long-Horizon Agents [55.84813053778976]
  ロングホライゾン言語モデルエージェントは、現在の決定と関係が変化する推論の痕跡、ツール交換、観察を蓄積する。 直接セットリスクスコアは、削除セットの選択としてエージェント履歴圧縮リスクを定式化する。 メカニカル・アナリシスとアブリケーションは、決定に制約のある関係、保持されたコンテキスト情報、ペア・インタラクション、および棄権がそれぞれ信頼できるプルーニングに寄与していることを示している。
  論文  参考訳（メタデータ） (2026-09-23T03:06:01Z)
• Beyond Private Training: The New Landscape of AI Privacy [4.200569403749067]
  TSD-AUDITは,グラフベース近傍の検索において,トラバースセーフな削除を監査・実施するためのフレームワークである。 Faiss IndexHNSWFlatでは、ネイティブフィルタリングは、フィルタされていないサーチと比較して、距離計算の回数が変わらない。 TSD-AUDITは、生前の不変性を強制し、ライブ候補のみを使用して接続を修復し、クエリ毎のスコア付きトレース証明書を発行する。
  論文  参考訳（メタデータ） (2026-09-16T21:46:35Z)
• VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
  VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。 100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。 強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
  論文  参考訳（メタデータ） (2026-08-18T15:23:06Z)
• EliSeg: Verified Target Construction for Report-Grounded Abnormality Segmentation [10.966565098819816]
  本研究は, 対象の適性, 濃度, 対マスク対応の発見をモデルが決定しなければならない, レポート基底の異常セグメンテーションについて検討する。 マスク生成とターゲット構築を統合したアトラル検証-修正フレームワークである textbfEliSeg を提案する。 EliSegは、事前に定義されたターゲットID、プロンプト、ポイント、バウンディングボックスを見つける必要はない。
  論文  参考訳（メタデータ） (2026-08-07T14:52:35Z)
• Auditing Forgetting in Limited Memory Language Models [0.0]
  既存の評価は、集合体の削除後の正しさを測定する。 本稿では,モデルが固定され,推論時にデータベースの状態が変化する因果監査フレームワークを提案する。 これを13のデータベースで12,228のエイリアス削除に適用する。
  論文  参考訳（メタデータ） (2026-07-01T08:30:28Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Revisiting Out-of-Distribution Detection in Real-time Object Detection: From Benchmark Pitfalls to a New Mitigation Paradigm [8.206992765692535]
  アウト・オブ・ディストリビューション(OoD)入力はディープラーニングモデルに永続的な課題をもたらす。 この研究は、物体検出におけるOoD検出の2つの見落としられた次元に対処する。 外部OoD検出器とは独立に動作する新しい訓練時間緩和パラダイムを導入する。
  論文  参考訳（メタデータ） (2025-03-10T13:42:41Z)
• AMRFact: Enhancing Summarization Factuality Evaluation with AMR-Driven Negative Samples Generation [57.8363998797433]
  抽象的意味表現(AMR)を用いた摂動要約を生成するフレームワークであるAMRFactを提案する。 提案手法は,AMRグラフに一貫した要約を解析し,制御された事実不整合を注入して負の例を生成し,一貫性のない事実不整合要約を高い誤差型カバレッジで生成する。
  論文  参考訳（メタデータ） (2023-11-16T02:56:29Z)

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。