論文の概要: GraphRAG-LTM: A Layered Threat Modeling Framework for Attacks on Graph Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2610.19549v1
• Date: Wed, 14 Oct 2026 04:04:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.951032
• Title: GraphRAG-LTM: A Layered Threat Modeling Framework for Attacks on Graph Retrieval-Augmented Generation
• Title（参考訳）: GraphRAG-LTM:Graph Retrieval-Augmented Generation上の攻撃に対する層状脅威モデリングフレームワーク
• Abstract要約: GraphRAG-LTMは、3つのネストレベルの攻撃者アクセスをテストするレイヤド脅威モデリングフレームワークである。 ランクフィードバックだけで回答の品質が低下し、グラデーションアクセスがクエリアタックを強化し、ブリッジ・トリップレットの削除がサポートファクト検索をさらに損なうことを示す。
• 参考スコア（独自算出の注目度）: 26.46247245896345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph retrieval-augmented generation (GraphRAG) uses document-derived knowledge graphs to assemble evidence for large language model (LLM) answers. Its security depends on both the seed chunks retrieved for a query and the graph evidence assembled from them, yet attacks on this evidence path remain underexplored. We introduce GraphRAG-LTM, a Layered Threat Modeling framework that tests three nested levels of attacker access. BB Query uses ranking feedback to make query edits under a semantic-similarity constraint and demote relevant seed chunks. WB Query uses retriever gradients for the same objective. Graph-aware WB keeps the white-box adversarial query and deletes bridge triplets from the query-specific evidence graph, disrupting multi-hop evidence propagation through localized graph edits. Across datasets, retrievers, and LLM backbones, rank feedback alone reduces answer quality, gradient access strengthens query attacks, and bridge-triplet deletion further impairs supporting-fact retrieval. Further analyses show how seed retrieval and graph evidence jointly contribute to these failures.
• Abstract（参考訳）: GraphRAG(Graph Search-augmented Generation)は、文書由来の知識グラフを用いて、大きな言語モデル(LLM)の答えの証拠を蓄積する。 そのセキュリティは、クエリのために検索されたシードチャンクとそれらから集めたグラフエビデンスの両方に依存するが、このエビデンスパスに対する攻撃は未調査のままである。 GraphRAG-LTMは3つのネストレベルの攻撃者アクセスをテストする階層型脅威モデリングフレームワークである。 BB Queryはランキングフィードバックを使用して、セマンティックな類似性の制約の下でクエリの編集を行い、関連するシードチャンクを分解する。 WB Queryは、同じ目的のためにレトリバー勾配を使用する。 グラフ対応WBは、ホワイトボックスの逆クエリを保持し、クエリ固有のエビデンスグラフからブリッジトリプレットを削除し、ローカライズされたグラフ編集によるマルチホップエビデンス伝搬を妨害する。 データセット、レトリバー、LLMバックボーン全体にわたって、ランクフィードバックだけで回答の品質が低下し、グラデーションアクセスがクエリアタックを強化し、ブリッジ-トリップの削除がさらにサポート対象の検索を損なう。 さらなる分析は、シード検索とグラフエビデンスがこれらの失敗にどのように貢献するかを示している。

関連論文リスト

• SelfGraphRAG: Bridging the Supervision Gap in Graph-Based RAG with Synthetic QA Generation [10.08021023788401]
  SelfGraphRAGは知識グラフ構造から直接質問応答ペアを生成し、クエリ条件のグラフ検索をトレーニングするフレームワークである。 本稿では,SelfGraphRAGにより,埋め込みベースラインよりも検索精度と下流推論性能が向上することを示す。
  論文  参考訳（メタデータ） (2026-08-25T20:18:05Z)
• Beyond Chunk-Local Extraction: Cross-Chunk Graph Augmentation for GraphRAG [11.699085890492833]
  GraphRAGは、コーパスを明示的な知識グラフとして整理することで、検索拡張生成を拡張する。 既存のフレームワークは個々のチャンク内のエンティティとリレーションを抽出し、クロスチャンクの関係はインデックスから体系的に欠落している。 GNN誘導のCROSS-Chunk Graph AUGmentation法であるCrossAugを提案する。
  論文  参考訳（メタデータ） (2026-05-27T05:55:53Z)
• Retrieving Minimal and Sufficient Reasoning Subgraphs with Graph Foundation Models for Path-aware GraphRAG [27.22974957852695]
  グラフベースの検索強化生成(GraphRAG)は、構造化知識を利用して知識集約推論を支援する。 本稿では,事前学習したグラフファウンデーションモデルがクロスドメインレトリバーとして機能するサブグラフを用いて,ユーザクエリに直接応答するGCM-Retrieverを提案する。 GFM-Retrieverは、効率を保ちながら、検索品質と回答生成の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-03-07T12:39:21Z)
• Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
  グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
  論文  参考訳（メタデータ） (2026-01-23T05:41:05Z)
• Query-Efficient Agentic Graph Extraction Attacks on GraphRAG Systems [29.89127594311822]
  グラフベースの検索拡張生成(GraphRAG)システムは、文書コレクション上の知識グラフを構築し、マルチホップ推論をサポートする。 提案手法では,相手が適応的にシステムに問い合わせて潜伏するエンティティ関係グラフを盗む,予算制約付きブラックボックス設定について検討する。 本稿では,新たな探索探索戦略,外部グラフメモリモジュール,および2段階グラフ抽出パイプラインを活用するフレームワークであるAGEAを提案する。
  論文  参考訳（メタデータ） (2026-01-21T05:20:54Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• GraphRAFT: Retrieval Augmented Fine-Tuning for Knowledge Graphs on Graph Databases [0.0]
  GraphRAFTは、LCMを微調整して、確実に正しいCypherクエリを生成する、検索と推論のためのフレームワークである。 本手法は,自然グラフDBに格納された知識グラフを用いて,棚から取り出すことができる最初の方法である。
  論文  参考訳（メタデータ） (2025-04-07T20:16:22Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)

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。