論文の概要: Inverting Multi-Vector Visual Document Indices

• arxiv url: http://arxiv.org/abs/2610.09920v1
• Date: Wed, 07 Oct 2026 12:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.898201
• Title: Inverting Multi-Vector Visual Document Indices
• Title（参考訳）: マルチベクタ・ビジュアル文書インデックスの反転
• Abstract要約: 一般的なマルチベクターのビジュアルドキュメントレトリバーは、各ページを約1000のパッチベクターとして格納し、多くの場合、サードパーティが実行しているベクトルデータベースに格納する。 トークンプーリングとシャッフルという2つの安価なプロテクトをテストしましたが、どちらも単語リコールを約8%削減しました。
• 参考スコア（独自算出の注目度）: 8.720698253117837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prevailing multi-vector visual document retrievers store each page as about a thousand patch vectors, often in vector databases run by a third party. Since no one can read a page from its vectors, this index is easily treated as less sensitive than the page. However, because the index keeps one vector per patch in raster order, and each vector is computed by a vision-language model pre-trained to read documents, we hypothesize that whoever runs or breaches the store can reproduce a page from its index alone. We frame inversion as conditional document image generation and infer from the vectors what the attack needs: the encoder, the page shape and, for shuffled vectors, their order. On the ViDoRe v3 benchmark, pages inverted from raw indices recover 47% of the words and 45% of the sensitive tokens. Used as queries against the stored indices, they rank their source page first 98.4% of the time. We test two cheap protections, token pooling and shuffling, which both cut word recall to about 8%. A model that restores the order of a shuffled index raises the share of source pages ranked first from 3.8% to 93.5%, while inverting a pooled index remains open. To test generalisation, we apply the same attack unchanged to another multi-vector retriever: its inverted pages still rank their source page first 70.2% of the time, though its word recall stays below a nearest-neighbour baseline. Multi-vector visual document retrievers are therefore vulnerable to inversion through their stored index, which should be protected like the documents it encodes.
• Abstract（参考訳）: 一般的なマルチベクターのビジュアルドキュメントレトリバーは、各ページを約1000のパッチベクターとして格納し、多くの場合、サードパーティが実行しているベクトルデータベースに格納する。 ベクターからページを読むことはできないので、このインデックスはページよりも敏感に扱われる。 しかしながら、インデックスはパッチ毎のベクターをラスタ順に保持し、各ベクターは文書を読むために事前訓練された視覚言語モデルによって計算されるため、ストアを走ったり破ったりした者はインデックスのみからページを再生できるという仮説を立てる。 我々は、条件付き文書画像生成としてインバージョンを作成し、攻撃に必要なベクトルから、エンコーダ、ページ形状、シャッフルベクトル、それらの順序を推測する。 ViDoRe v3ベンチマークでは、生のインデックスから逆転したページが、単語の47%と機密トークンの45%を回復した。 格納されたインデックスに対するクエリとして使用され、ソースページを98.4%にランク付けする。 トークンプーリングとシャッフルという2つの安価な保護機能をテストしましたが、どちらも単語リコールを約8%削減しました。 シャッフルインデックスの順序を復元するモデルでは、最初にランク付けされたソースページのシェアが3.8%から93.5%に上昇する一方、プールインデックスの反転は未解決のままである。 一般化をテストするために、同じ攻撃を別のマルチベクターレトリバーに適用する: 倒立したページは依然として70.2%の時間でソースページをランク付けするが、その単語のリコールは最寄りのベースラインに留まる。 したがって、マルチベクタのビジュアルドキュメントレトリバーは、格納されたインデックスを通してのインバージョンに対して脆弱であり、それをエンコードしたドキュメントのように保護すべきである。

関連論文リスト

• Generative Late-Interaction Embeddings For Visual Document Retrieval [3.3830567744123723]
  遅延インタラクション検索は、ビジュアルドキュメント検索の最先端技術だが、ストレージの精度は高い。 GLIE (Generative Late-Interaction Embeddings: k N vectors per page) を紹介する。 ViDoRe v1のページあたりの4つのベクトルでは、GLIEは圧縮されていないシステムのnDCG@5の80%を保持しており、最も優れたポストホック法では70%である。
  論文  参考訳（メタデータ） (2026-09-10T16:58:39Z)
• Coverage Matters: MarginMerge for Compressing Multi-Vector Visual Document Retrievers [9.219654543285145]
  冷凍多ベクトルレシーバの圧縮法であるMarginMergeを紹介する。 カバレッジ対応アンカー、クラスタドキュメントパッチを選択し、軽量な共有ネットワークを使用してクラスタ毎に1つの代表を合成する。 ColQwen2.5とColPaliの2つのデータセットで、MarginMergeは5%と10%のベクトル保持で一致したクエリ非依存の平均を達成している。
  論文  参考訳（メタデータ） (2026-08-04T00:05:40Z)
• Lost in a Single Vector: Improving Long-Document Retrieval with Chunk Evidence Aggregation [59.438696079345426]
  DICEは、ドキュメントをチャンクに分割し、凍結したモデルで独立してエンコードし、それらを単一のベクタに集約する、トレーニング不要のドキュメントサイド戦略である。 LongEmbedでは、DICEは4つのバックボーン間の検索を改善し、4kトークンを超えるスライスで最大の利益を上げている。 12,779個のフィルターサンプルのうち、DICEは92.8%のケースで単一ベクトルベースラインよりも低いEDIが得られる。
  論文  参考訳（メタデータ） (2026-06-17T07:44:04Z)
• MISA: Mixture of Indexer Sparse Attention for Long-Context LLM Inference [75.41426145782751]
  本稿では,DSAインデクサのリプレースとして,インデクサヘッドをエキスパートの混合プールとして扱うDSAインデクサを提案する。 MISAはロングベンチの密度の高いDSAインデクサとDeepSeek-V3.2とGLM-5で一致し、それぞれ8倍と4倍のインデクサヘッドで動作している。 私たちのTileLangカーネルは、単一のNVIDIA H200 GPU上で、DSAのオリジナルのインデクサカーネルの約3.82倍のスピードアップを実現しています。
  論文  参考訳（メタデータ） (2026-05-08T07:19:34Z)
• HISA: Efficient Hierarchical Indexing for Fine-Grained Sparse Attention [62.79085204939384]
  HISA (Hierarchical Indexed Sparse Attention) は、平らなトークンスキャンから2段階の階層的な手順に検索パスを書き換える。 カーネルレベルのベンチマークでは、HISAは64Kコンテキストでの高速化を実現している。
  論文  参考訳（メタデータ） (2026-03-30T13:59:51Z)
• Multi-Vector Index Compression in Any Modality [73.7330345057813]
  後期の相互作用は、テキスト、画像、ビジュアルドキュメント、ビデオにおける情報検索の主要なパラダイムとして現れてきた。 インデックス圧縮には,シーケンスリサイズ,メモリトークン,階層プール,新しいアテンション誘導クラスタリング(AGC)の4つのアプローチを導入する。 AGCは、ドキュメントの最もセマンティックな領域をクラスタセントロイドとして識別し、トークンの集合を重み付けするために注意誘導機構を使用する。
  論文  参考訳（メタデータ） (2026-02-24T18:57:33Z)
• Beyond Patch Aggregation: 3-Pass Pyramid Indexing for Vision-Enhanced Document Retrieval [0.0]
  ドキュメント中心のRAGパイプラインは通常、OCRから始まり、次にチャンキング、テーブル解析、レイアウト再構築のための脆さが続く。 我々は,OCRフリーかつモデル非依存なマルチモーダル検索システムであるVisionRAGを紹介する。 VisionRAGは、ドキュメントを直接イメージとしてインデックスし、レイアウト、テーブル、空間的なキューを保存し、特定の抽出にコミットすることなくセマンティックベクターを構築する。
  論文  参考訳（メタデータ） (2025-11-26T07:18:06Z)
• Semi-Parametric Retrieval via Binary Bag-of-Tokens Index [71.78109794895065]
  SemI-parametric Disentangled Retrieval (SiDR)は、ニューラルパラメータから検索インデックスを分離するバイエンコーダ検索フレームワークである。 SiDRは、検索のための非パラメトリックトークン化インデックスをサポートし、BM25のようなインデックス化の複雑さを著しく改善した。
  論文  参考訳（メタデータ） (2024-05-03T08:34:13Z)

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。