論文の概要: Reliability Stress Testing of RAG Retrieval under Query-Relevant Corpus Poisoning

• arxiv url: http://arxiv.org/abs/2611.04264v1
• Date: Tue, 03 Nov 2026 03:52:58 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:32:51.309399
• Title: Reliability Stress Testing of RAG Retrieval under Query-Relevant Corpus Poisoning
• Title（参考訳）: 問合せ関連コーパス汚染下におけるRAG検索の信頼性応力試験
• Abstract要約: 外部テキストは、検索者がモデルコンテキストにそれを承認した後のみ、検索拡張世代(RAG)システムに影響を与える可能性がある。 SciFact と NFCorpus の 623 以上のベンチマーク情報検索 (BEIR) クエリでは、クエリ毎に5つのクエリターゲットのドキュメントが古典的検索可能な nDCG@10 を40.2-61.5% 削減している。
• 参考スコア（独自算出の注目度）: 2.8082364345698387
• License:
• Abstract: External text can affect a retrieval-augmented generation (RAG) system only after the retriever admits it to the model context. We stress this admission step while varying document content, attacker query information, per-target poison budget, and contamination scope. Across 623 Benchmarking Information Retrieval (BEIR) queries from SciFact and NFCorpus, five query-targeted documents per query reduce classical-retriever nDCG@10 by 40.2-61.5% in isolated-target stress. Full-query anchoring explains most Best Matching 25 (BM25) degradation, whereas appended text also shifts latent semantic analysis (LSA) and Hybrid rankings. A pretrained BGE-small validation reaches 100% target exposure for query-only P=5 on both datasets; adding the injection payload changes SciFact nDCG only from 0.269 to 0.271 and lowers NFCorpus exposure slightly to 98.8%, indicating that query anchoring remains the dominant retrieval-side factor for this dense model. Query length materially changes the interpretation of partial-information attacks: on 162 long SciFact queries, two random terms cover 19.9% of eligible terms and still yield 39.5% Hybrid target exposure. Multi-target contamination adds cross-target interference. Overlap-based admission can remove full-query poisons but may sharply reduce clean retrieval utility, and maximal marginal relevance (MMR) leaves exposure unchanged under the tested configuration. The study measures retrieval-layer failures, not downstream instruction following.
• Abstract（参考訳）: 外部テキストは、検索者がモデルコンテキストにそれを承認した後のみ、検索拡張世代(RAG)システムに影響を与える可能性がある。 我々は、文書の内容、攻撃者の問い合わせ情報、標的ごとの毒の予算、汚染範囲を多岐に及ぼしながら、この受け入れステップを強調した。 SciFact と NFCorpus の 623 以上のベンチマーク情報検索 (BEIR) クエリでは、クエリ毎に5つのクエリターゲットのドキュメントが古典的検索可能な nDCG@10 を40.2-61.5% 削減している。 フルクエリアンカリングではBest Matching 25 (BM25) の劣化がもっとも多く説明されているが、追加されたテキストは潜在意味分析 (LSA) とハイブリッドランキングも変更されている。 インジェクションペイロードの変更 SciFact nDCG は 0.269 から 0.271 にのみ変更され、NFCorpus の露出は 98.8% にわずかに低下する。 162の長いSciFactクエリでは、2つのランダムな用語が許容される単語の19.9%をカバーし、それでも39.5%のハイブリッドターゲットエクスポージャーを生成する。 マルチターゲット汚染は、クロスターゲット干渉を追加する。 オーバーラップベースの入室は、フルクリー毒を除去することができるが、清潔な回収能を著しく低下させ、試験された構成下において、最大縁関係性(MMR)の葉の露出は変化しない。 この研究は、下流の指示に従うのではなく、検索層障害を測定する。

関連論文リスト

• SearchInject: Retrieval Exposure Control for Indirect Prompt Injection in Language-Model Search [3.591464568490307]
  SearchInjectは、検索関連性、検索利用方法、命令可能性、および2つの関連性相互作用を組み合わせたジョイントスコアで、この入力決定を制御する。 キャリブレーションスプリット上のクリーン候補の偽検疫制約を経験的に0.5%で選択する。
  論文  参考訳（メタデータ） (2026-11-02T07:04:42Z)
• Consistency Is the Attack Surface: Detecting Coordinated Retrieval Poisoning with Embedding Geometry [6.5944301142591675]
  CoordGuard氏はこの構造を、ロバストに正規化されたクエリ重み付き親和性から監査する。 4つの検索シードをポーリングすると、e5 always-filteringは$mathrmASR_mathrmexp$$ 0.167、パラメトリックに未知のクエリでは0.138と13.6ポイントのクリーンコストで減少する。
  論文  参考訳（メタデータ） (2026-10-17T19:29:24Z)
• DRSR: Learning Set-Level Deletion Risk for Efficient Long-Horizon Agents [55.84813053778976]
  ロングホライゾン言語モデルエージェントは、現在の決定と関係が変化する推論の痕跡、ツール交換、観察を蓄積する。 直接セットリスクスコアは、削除セットの選択としてエージェント履歴圧縮リスクを定式化する。 メカニカル・アナリシスとアブリケーションは、決定に制約のある関係、保持されたコンテキスト情報、ペア・インタラクション、および棄権がそれぞれ信頼できるプルーニングに寄与していることを示している。
  論文  参考訳（メタデータ） (2026-09-23T03:06:01Z)
• VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
  VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。 100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。 強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
  論文  参考訳（メタデータ） (2026-08-18T15:23:06Z)
• Guardian Crawler: Retrieval-First Knowledge Discovery with Bounded LLM Augmentation for Noisy Web Intelligence [0.688204255655161]
  本稿では, 合成ウェブ型コーパスに対する知識発見とエビデンスに基づく要約に関する制御実験のための再現可能な検索ファーストテストベッドであるGuardianを提案する。 このアーキテクチャは、BM25検索とリスク認識、埋め込み強化、ハイブリッドリランクを組み合わせ、制約付き文書検索拡張生成と明示的な引用を併用する。
  論文  参考訳（メタデータ） (2026-08-10T01:28:11Z)
• Defending Retrieval-Augmented Intrusion Detection Against Knowledge Poisoning and Prompt Injection [0.0]
  本稿では,検索境界ディフェンスを用いた3層マルチエージェント侵入検出フレームワークであるRAG-IDSを提案する。 即時注入では、複数文書検索ではラベルフリップが0.6-2.4%に制限され、シングルドキュメント検索では35-55%に制限された。
  論文  参考訳（メタデータ） (2026-08-08T12:29:47Z)
• SilentRetrieval: Hijacking Retrieval-Augmented Generation via Semantically-Preserving Adversarial Data Poisoning [1.0998907972211756]
  SilentRetrievalは2段階のデータ中毒攻撃で、RAGシステムを敵対的な文書でハイジャックする。 SilentRetrievalは84.6%/81.3% HR@10、57.5%/54.8% ASR-LLM on Natural QuestionsとMS MARCOを達成している。
  論文  参考訳（メタデータ） (2026-05-27T07:30:30Z)
• AdversarialCoT: Single-Document Retrieval Poisoning for LLM Reasoning [115.3243260783674]
  Retrieval-augmented Generation (RAG) は、外部文書を取得することにより、大きな言語モデル(LLM)推論を強化する。 攻撃者が悪意のあるコンテンツを検索コーパスに注入するRAGにおける知識ベース中毒攻撃について検討した。 AdversarialCoTは、コーパス内の1つのドキュメントだけを毒化するクエリ固有の攻撃である。
  論文  参考訳（メタデータ） (2026-04-14T02:10:23Z)
• Retrieval-Augmented Generation with Conflicting Evidence [57.66282463340297]
  大規模言語モデル (LLM) エージェントは、応答の事実性を改善するために、検索強化世代 (RAG) をますます採用している。 実際には、これらのシステムは曖昧なユーザクエリを処理し、複数のソースからの情報に衝突する可能性がある。 RAMDocs(Retrieval with Ambiguity and Misinformation in Documents)は,ユーザクエリのエビデンスを矛盾させるような,複雑で現実的なシナリオをシミュレートする新しいデータセットである。
  論文  参考訳（メタデータ） (2025-04-17T16:46:11Z)
• Collapse of Dense Retrievers: Short, Early, and Literal Biases Outranking Factual Evidence [56.09494651178128]
  検索モデルは、Retrieval-Augmented Generation (RAG)のような情報検索(IR)アプリケーションで一般的に使用される。 我々は、Dragon+やContrieverのようなリトリーバーに対する、短いドキュメントの好みなどのバイアスの影響を定量化する。 私たちは大きな脆弱性を発見し、リトリバーが短いドキュメント、早い位置、繰り返しのエンティティ、リテラルマッチを好んで、答えの存在を無視しながら表示します。
  論文  参考訳（メタデータ） (2025-03-06T23:23:13Z)

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。