論文の概要: Diagnose Before You Refine: Multi-Dimensional Judge Feedback for Query-Efficient Jailbreak Attacks

• arxiv url: http://arxiv.org/abs/2610.19971v1
• Date: Wed, 14 Oct 2026 10:55:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.108391
• Title: Diagnose Before You Refine: Multi-Dimensional Judge Feedback for Query-Efficient Jailbreak Attacks
• Title（参考訳）: 再定義前の診断:クエリ効率の良いジェイルブレイク攻撃の多次元判断フィードバック
• Abstract要約: Jev-Guided Strategy Bandit (JSB)は、多次元確率的フィードバックを活用してプロンプト最適化をガイドするクエリベースのjailbreakフレームワークである。 JSBは10のオープンソース設定で平均で89.8%のHarmBench攻撃の成功率を達成した。
• 参考スコア（独自算出の注目度）: 16.36786636236454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated jailbreak attacks rely on evaluation feedback to optimize adversarial prompts, but existing methods often lack fine-grained diagnostic information. We propose Jev-Guided Strategy Bandit (JSB), a query-based jailbreak framework that leverages multi-dimensional probabilistic feedback to guide prompt optimization. JSB combines continuous jailbreak scoring with targeted refinement, strategy switching, and best-state reseeding to balance exploration and refinement. We evaluate JSB on two harmful request datasets across five open-source and three closed-source LLMs. Under a budget of only 10 target-model queries, JSB achieves an average HarmBench attack success rate of 89.8\% across ten open-source settings, consistently outperforming existing automated jailbreak attacks. Further analyses demonstrate its effectiveness under varying query budgets and attacker models. Defense experiments also reveal limitations in existing filtering mechanisms and highlight the potential of Jev-based output filtering.
• Abstract（参考訳）: 自動ジェイルブレイク攻撃は、敵のプロンプトを最適化するために評価フィードバックに依存するが、既存の手法では詳細な診断情報を欠いていることが多い。 Jev-Guided Strategy Bandit (JSB) は,複数次元の確率的フィードバックを活用して迅速な最適化を導くクエリベースのjailbreakフレームワークである。 JSBは、継続的なジェイルブレイクスコアと、目標とする精錬、戦略変更、そして調査と精錬のバランスをとるための最良の状態の再調査を組み合わせている。 JSBを5つのオープンソースと3つのクローズドソースLCMにまたがる2つの有害な要求データセット上で評価する。 10のターゲットモデルクエリの予算で、JSBは10のオープンソース設定で平均89.8\%のHarmBench攻撃成功率を達成し、既存の自動ジェイルブレイク攻撃を一貫して上回っている。 さらに、クエリ予算やアタッカーモデルの違いにより、その効果が示されている。 防衛実験はまた、既存のフィルタリングメカニズムの制限を明らかにし、Jevベースの出力フィルタリングの可能性を強調している。

関連論文リスト

• JailbreakOPT: Tool-Assisted Iterative Jailbreak Prompt Optimization [6.473799439592539]
  JailbreakOPTは、反復的な単一ターンジェイルブレイク即時最適化を改善するためのツールアシストフレームワークである。 JailbreakOPTは、多様なアトミックジェイルブレイクプロンプトをアタックツールライブラリに整理し、エポソード内最適化を統一した抽象化を通じて構成する。 実験の結果、JailbreakOPTは攻撃成功率(ASR)を改善し、成功(No.A)まで攻撃回数をアトミック単一ターン攻撃と比較して減少させることがわかった。
  論文  参考訳（メタデータ） (2026-06-09T20:22:29Z)
• LASH: Adaptive Semantic Hybridization for Black-Box Jailbreaking of Large Language Models [8.091700349640835]
  ジェイルブレイク攻撃は、アライメントされた大きな言語モデルの意図された安全行動と、敵対的なプロンプトの下でのそれらの行動の間に永続的なギャップを露呈する。 我々は、複数のベースアタックからの出力を再利用可能なシードプロンプトとして扱うブラックボックスフレームワークであるLASH(LLM Adaptive Semantic Hybridization)を導入し、ターゲット要求毎に適応的に構成する。 10のカテゴリーに100の有害なプロンプトを含むJailbreakBenchでは、6つの共通ターゲットモデルでLASHを評価し、キーワードベースの評価では平均攻撃成功率84.5%、二段階評価では74.5%と評価した。
  論文  参考訳（メタデータ） (2026-05-20T16:27:00Z)
• Jailbreak Foundry: From Papers to Runnable Attacks for Reproducible Benchmarking [6.316746905356459]
  本稿では,JAILBREAK FOUNDRY(JBF)について紹介する。 30回以上の攻撃を再現すると、JBFは平均(再現された報告された)攻撃成功率(ASR)を+0.26ポイントの偏差で高忠実度を達成する。 このシステムは、一貫したGPT-4o判定器を用いて、10の犠牲者モデルにわたる30の攻撃の標準AdvBench評価を可能にする。
  論文  参考訳（メタデータ） (2026-02-27T13:32:53Z)
• OmniSafeBench-MM: A Unified Benchmark and Toolbox for Multimodal Jailbreak Attack-Defense Evaluation [94.61617176929384]
  OmniSafeBench-MMはマルチモーダル・ジェイルブレイク攻撃防御評価のための総合ツールボックスである。 13の代表的な攻撃方法と15の防衛戦略、9つの主要なリスクドメインと50のきめ細かいカテゴリにまたがる多様なデータセットを統合している。 データ、方法論、評価をオープンソースで再現可能なプラットフォームに統合することで、OmniSafeBench-MMは将来の研究のための標準化された基盤を提供する。
  論文  参考訳（メタデータ） (2025-12-06T22:56:29Z)
• JPS: Jailbreak Multimodal Large Language Models with Collaborative Visual Perturbation and Textual Steering [73.962469626788]
  マルチモーダルな大規模言語モデル(MLLM)に対するジェイルブレイク攻撃は重要な研究課題である。 JPS, UnderlineJailbreak MLLMs with collaborative visual underlinePerturbation and textual underlineSteering。
  論文  参考訳（メタデータ） (2025-08-07T07:14:01Z)
• Jigsaw Puzzles: Splitting Harmful Questions to Jailbreak Large Language Models [50.89022445197919]
  大規模言語モデル(LLM)は、人間との関わりにおいて卓越した性能を示した。 LLMは脱獄攻撃に弱いため、有害な反応が生じる。 我々は,高度LLMに対する単純かつ効果的なマルチターンジェイルブレイク戦略であるJigsaw Puzzles (JSP)を提案する。
  論文  参考訳（メタデータ） (2024-10-15T10:07:15Z)
• AutoJailbreak: Exploring Jailbreak Attacks and Defenses through a Dependency Lens [83.08119913279488]
  本稿では,ジェイルブレイク攻撃と防衛技術における依存関係の体系的解析について述べる。 包括的な、自動化された、論理的な3つのフレームワークを提案します。 このアンサンブル・ジェイルブレイク・アタックと防衛の枠組みは,既存の研究を著しく上回る結果となった。
  論文  参考訳（メタデータ） (2024-06-06T07:24:41Z)
• JailbreakBench: An Open Robustness Benchmark for Jailbreaking Large Language Models [123.66104233291065]
  ジェイルブレイク攻撃は、大きな言語モデル(LLM)が有害、非倫理的、またはその他の不快なコンテンツを生成する原因となる。 これらの攻撃を評価することは、現在のベンチマークと評価テクニックの収集が適切に対処していない、多くの課題を提示します。 JailbreakBenchは、以下のコンポーネントを備えたオープンソースのベンチマークである。
  論文  参考訳（メタデータ） (2024-03-28T02:44:02Z)

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。