論文の概要: GRAD: Graph-Structured Antibody Defense for LLM Agents

• arxiv url: http://arxiv.org/abs/2610.22828v1
• Date: Fri, 16 Oct 2026 02:09:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.732685
• Title: GRAD: Graph-Structured Antibody Defense for LLM Agents
• Title（参考訳）: GRAD:LSM剤のグラフ構造化抗体防御
• Abstract要約: 本稿では,グラフに基づくデータ収集と検出専門家の収集を併用したGRADを提案する。 GRADはDecomp, MCP, MRT全体でそれぞれ97.19%, 77.59%, 86.60%のAUROCを達成している。 そのコンパクトなドロップインゲートは、API呼び出しを監視せずにミリ秒でローカルモデル推論を実行する。
• 参考スコア（独自算出の注目度）: 20.77163070192491
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory poisoning and decomposition attacks distribute malicious evidence across the operations of large language model agents. Existing request-level defenses can miss such attacks because they assess individual inputs without connecting earlier information to later actions. Moreover, detectors must adapt as task contexts change, while updates to shared parameters can impair previously learned detection capabilities. To address these challenges, we propose GRAD, which combines graph-based evidence aggregation across operations with an extensible collection of detection experts. Its Semantic-Structural Understanding Module (SSUM) jointly encodes operation text, event attributes, and typed candidate relations in an execution graph to aggregate distributed attack evidence into a graph-level risk score. Its Continual Antibody Adaptation (CAA) adds experts on frozen encoder snapshots and routes inputs by observable graph signatures, acquiring and reusing detection capabilities as tasks arrive. Across Decomp, MCP, and MRT, GRAD achieves AUROCs of 97.19%, 77.59%, and 86.60%, respectively, outperforming Sequential Monitor and locally adapted Agent-Sentry and NeuroTaint. CAA improves final accuracy by 13.08 percentage points over Replay on the cross-dataset task stream. The gain remains 9.05 points with equal family/base-case weights within each task. Its compact drop-in gate performs local model inference in milliseconds without monitoring API calls.
• Abstract（参考訳）: メモリ中毒と分解攻撃は、大きな言語モデルエージェントの操作に悪意のある証拠を分散させる。 既存の要求レベルの防御は、以前の情報を後続のアクションに接続することなく個々の入力を評価するため、そのような攻撃を見逃す可能性がある。 さらに、ディテクターはタスクコンテキストの変更に合わせて適応する必要があるが、共有パラメータの更新は以前に学習した検出能力を損なう可能性がある。 これらの課題に対処するため、GRADを提案する。これは、操作全体にわたるグラフベースのエビデンスアグリゲーションと、拡張可能な検出専門家のコレクションを組み合わせたものだ。 そのセマンティック構造理解モジュール(SSUM)は、実行グラフ内の操作テキスト、イベント属性、型付き候補関係を共同でエンコードし、分散攻撃証拠をグラフレベルのリスクスコアに集約する。 そのContinuous Antibody Adaptation (CAA)は、凍結エンコーダスナップショットの専門家を追加し、観測可能なグラフシグネチャによる入力をルーティングし、タスクが到着するにつれて検出機能を取得および再利用する。 Decomp, MCP, MRT 全体で GRAD は 97.19%, 77.59%, 86.60% の AUROC を達成し, 逐次モニター, 局所的に適応した Agent-Sentry と NeuroTaint をそれぞれ上回っている。 CAAは、データセットのタスクストリーム上のReplayよりも13.08ポイントの最終的な精度を改善する。 ゲインは9.05ポイントであり、各タスクに等しい家族/塩基ケースの重みがある。 そのコンパクトなドロップインゲートは、API呼び出しを監視せずにミリ秒でローカルモデル推論を実行する。

関連論文リスト

• BRIDGE: Selective Boundary Repair with Dependency Graph Evidence in Multi-Agent Systems [59.26551527044981]
  methodは、ハンドオフ修復を明示的な依存性の摂動に対する選択的介入として扱うランタイム制御フレームワークである。 SILO-BENCHでは12.3パーセンテージ、TeamBenchでは11.1ポイントまでタスクの成功を加速させる。
  論文  参考訳（メタデータ） (2026-10-13T06:31:57Z)
• hacktrace: behavior-supervised detection of reward hacking during code generation [52.709361620508595]
  コーディングエージェントは、コードを修正するか、バグを露呈するテストを削除することで、パスグレードを得ることができる。 我々はQwen3-8Bから173,561個の注釈付きマルチターン符号化トラジェクトリをリリースし、成功を活かさないショートカット動作の監視が検出を大幅に改善することを示す。 HACKTRACEは、エージェントがコードを生成する際に既に計算している内部状態を読み取る行動監視モニターである。
  論文  参考訳（メタデータ） (2026-10-02T09:35:59Z)
• WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents [53.426679066400844]
  WeAgent-Harnessは、ネイティブテキストビジョンインタラクションと実行時リカバリをサポートするマルチモーダルエージェントハーネスである。 WeAgent-MMSearchは,データ構築,エージェントポストトレーニング,マルチモーダルロールアウトにまたがる統合システムである。 また、150タスクの人間認証ベンチマークであるVisTarget-Benchを紹介します。
  論文  参考訳（メタデータ） (2026-08-28T08:28:43Z)
• From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents [75.69180947909148]
  大規模言語モデル(LLM)エージェントのためのトラジェクトリレベルのUQフレームワークを提案する。 RuPAは、推論状態、ツールインタラクション、環境フィードバックが時間的およびセマンティックな依存関係エッジで接続されたノードである、指向的なトラジェクトリグラフとして実行履歴を表現している。 我々は,複数のモデルファミリにまたがる6つのオープンソースLCMを用いて,代用エージェントベンチマーク($2, Terminal-Bench-2, GAIA)でRUPAを評価した。
  論文  参考訳（メタデータ） (2026-08-17T01:40:14Z)
• ORACAL: A Robust and Explainable Multimodal Framework for Smart Contract Vulnerability Detection with Causal Graph Enrichment [0.754973258028456]
  本稿では,制御フローグラフ,データフローグラフ,コールグラフを統合したグラフ学習フレームワークORACALを提案する。 ORACALは、レトリーバル拡張生成(RAG)とLarge Language Models(LLM)から専門家レベルのセキュリティコンテキストを持つ重要なサブグラフを選択的に強化する 透明性のために、このフレームワークはPGExplainerを採用して、脆弱性トリガーパスを特定するサブグラフレベルの説明を生成する。
  論文  参考訳（メタデータ） (2026-03-30T07:46:59Z)
• Agentproof: Static Verification of Agent Workflow Graphs [0.0]
  エージェントフレームワークは、ツール使用の振る舞いを明示的なワークフローグラフとしてエンコードする傾向にある。 本稿では,4つの主要なエージェントフレームワークから統合抽象グラフモデルを自動的に抽出するAgentproofを提案する。 汎用的なモデルチェッカーとは異なり、Agentproofは手動モデリングを必要としない。
  論文  参考訳（メタデータ） (2026-03-20T13:56:20Z)
• Beyond Input Guardrails: Reconstructing Cross-Agent Semantic Flows for Execution-Aware Attack Detection [32.301679396929536]
  静的な入力フィルタリングから実行対応分析へ、防御パラダイムをシフトするフレームワークであるSysNameを提案する。 SysNameは断片化された操作プリミティブを連続した行動軌跡に合成し、システムアクティビティの全体像を可能にする。 実証的な評価により、SysNameは10以上の異なる複合攻撃ベクトルを効果的に検出し、それぞれノードレベルとパスレベルのエンドツーエンド攻撃検出に対して85.3%と66.7%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2026-03-04T01:59:16Z)
• OCR-APT: Reconstructing APT Stories from Audit Logs using Subgraph Anomaly Detection and LLMs [4.663916214040153]
  Advanced Persistent Threats(APT)はステルスなサイバー攻撃で、システムレベルの監査ログの検知を回避している。 既存のシステムはこれらのグラフに異常検出を適用しているが、しばしば偽陽性率と粗い警告に悩まされる。 OCR-APTは,人型攻撃物語のAPT検出と再構築を行うシステムである。
  論文  参考訳（メタデータ） (2025-10-16T23:14:03Z)

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。