論文の概要: Lazy Grounding: Attacking Search Agents with Factual Evidence

• arxiv url: http://arxiv.org/abs/2608.30303v2
• Date: Tue, 01 Sep 2026 05:31:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.663012
• Title: Lazy Grounding: Attacking Search Agents with Factual Evidence
• Title（参考訳）: Lazy Grounding: 事実上の証拠で検索エージェントを攻撃
• Authors: Yulin Zhang, Yukun Huang, Sanxing Chen, Tianyi Lin, Ziang Yang, Xunjian Yin, Bhuwan Dhingra,
• Abstract要約: 場合によっては、検索エージェントの推論と応答は、完全に事実的だが邪魔な情報によって操縦されることもある。 探索コーパスにベンチマーク質問の回答変更から近くの証拠を注入することで遅延グラウンドを露呈する。 以上の結果から,堅牢な検索エージェントは誤報だけでなく,事実的証拠の誤用も防ぐ必要があることが示唆された。
• 参考スコア（独自算出の注目度）: 38.08746968388684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Search agents mitigate hallucination by grounding their answers in retrieved web results. However, retrieval-based approaches also introduce an attack surface: agents may cite misinformation from poisoned search corpora containing false or malicious documents. We demonstrate that, in some cases, search agents' reasoning and responses may be steered by completely factual but distracting information. We refer to this failure as lazy grounding. We expose lazy grounding by injecting nearby evidence from answer-changing rewrites of benchmark questions into the search corpora. Each document contains factual evidence that supports a neighboring rewritten question but is retrieved for the original question. Across 12 model-benchmark pairs, the attack causes the accuracy of search agents' responses to drop by 5.9 points on average and by up to 17.3 points, while inducing nearby-answer adoption in every setting. The effect is even stronger when nearby evidence appears later or is more answer-shaped. Our results show that robust search agents must defend against not only misinformation but also the misapplication of factual evidence. The code is publicly available at https://github.com/frankyzha/lazy-grounding.
• Abstract（参考訳）: 検索エージェントは、検索結果を検索したWeb検索結果に接地することで幻覚を緩和する。 エージェントは偽または悪意のある文書を含む有毒な検索コーパスから誤情報を引用することができる。 検索エージェントの推論と応答は、完全に事実的だが邪魔な情報によって判断される場合があることを実証する。 この失敗を怠慢な根拠と呼ぶ。 探索コーパスにベンチマーク質問の回答変更から近くの証拠を注入することで遅延グラウンドを露呈する。 各文書には、近隣で書き直された質問を支持する事実証拠が含まれているが、元の質問のために検索される。 12組のモデルベンチマークペアにまたがって、攻撃により、検索エージェントの応答の精度が平均5.9ポイント、最大17.3ポイント低下し、各設定で近くの回答が採用される。 この効果は、近くの証拠が後で現れるか、より答えの形になったときにさらに強くなる。 以上の結果から,堅牢な検索エージェントは誤報だけでなく,事実的証拠の誤用も防ぐ必要があることが示唆された。 コードはhttps://github.com/frankyzha/lazy-grounding.comで公開されている。

関連論文リスト

• Diagnosing Search Behavior and Failure Modes in Long-Horizon Search Agents [63.2133766267587]
  ディープサーチエージェントは、証拠収集のために検索クエリを反復的に発行することで、難解な情報検索質問に答える。 本研究では,長軸探索エージェントの軌跡レベル診断を用いてこれらの質問について検討する。 我々は,各探索ステップで得られた証拠を評価し,エージェントの行動の2つの段階を分離する。
  論文  参考訳（メタデータ） (2026-08-03T08:46:48Z)
• DRNOISE: Benchmarking Deep Research Agents in Misleading Evidence Environments [51.049999642138]
  誤解を招く証拠の下で、回答回復のための100タスクのベンチマークであるDRNOISEを紹介する。 それぞれのタスクは、2つの間接的レコードチェーンが支持する固有の金の答えを持ち、ペアのノイズ条件は競合する答えを直接記述する1つのもっともらしい文書を付加する。 強いクリーンタスク性能を持つエージェント全体で、この単一の介入は66-88ポイントの精度低下を引き起こす。
  論文  参考訳（メタデータ） (2026-07-19T15:20:40Z)
• GroundEval: A Deterministic Replacement for LLM-as-Judge in Stateful Agent Evaluation [0.0]
  GroundEvalは, エージェントを接地的, 時間的に制限された, アクセス制御された証拠に対して評価する, 判断自由なフレームワークである。 GroundEvalはドメイン構成を使用して質問を生成し、エージェントが答える方法を選択し、最後に生成した回答と記録された軌跡の両方をスコアする。
  論文  参考訳（メタデータ） (2026-06-22T00:41:16Z)
• The Missing Parts: Augmenting Fact Verification with Half-Truth Detection [20.011177314734887]
  多くの現実世界の主張は半真実であり、実際は正しいが、批判的な文脈が欠落しているために誤解を招く。 我々は,半真実検出の課題を紹介し,文レベルの証拠アライメントと推論されたクレーム意図を付加した15kの政治的クレームを備えた新しいベンチマークであるPolitiFact-Hiddenを提案する。 提案するTRACERは,エビデンスを整理し,インプリートを推定し,隠されたコンテンツの因果的影響を推定することにより,省略に基づく誤報を識別するモジュラー・リアセスメント・フレームワークである。
  論文  参考訳（メタデータ） (2025-08-01T10:06:38Z)
• Complex Claim Verification with Evidence Retrieved in the Wild [73.19998942259073]
  Webから生の証拠を取り出すことによって,実世界のクレームをチェックするための,最初の完全自動化パイプラインを提示する。 私たちのパイプラインには,クレーム分解,生文書検索,きめ細かい証拠検索,クレーム中心の要約,正確性判定という5つのコンポーネントが含まれています。
  論文  参考訳（メタデータ） (2023-05-19T17:49:19Z)
• Mining Fine-grained Semantics via Graph Neural Networks for Evidence-based Fake News Detection [20.282527436527765]
  本稿では,グラフベースのsEmantic sTructureマイニングフレームワークを提案する。 我々は、クレームとエビデンスをグラフ構造化データとしてモデル化し、長距離セマンティック依存関係をキャプチャします。 文脈意味情報を得た後、グラフ構造学習を行うことにより、情報冗長性を低減する。
  論文  参考訳（メタデータ） (2022-01-18T11:28:36Z)
• AmbiFC: Fact-Checking Ambiguous Claims with Evidence [57.7091560922174]
  実世界の情報ニーズから10kクレームを抽出したファクトチェックデータセットであるAmbiFCを提示する。 アンビFCの証拠に対する主張を比較する際に,曖昧さから生じる不一致を分析した。 我々は,このあいまいさをソフトラベルで予測するモデルを開発した。
  論文  参考訳（メタデータ） (2021-04-01T17:40:08Z)

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。