रिट्रीवल ऑगमेंटेड जेनरेशन (RAG) फ्रेमवर्क बाहरी दस्तावेज़ों को रिट्रीव करके LLM की सटीकता में सुधार करता है, लेकिन यह उन प्रतिकूल हमलों के प्रति संवेदनशील है जो रिट्रीवल प्रक्रिया में हेरफेर करते हैं। इस लेख में, हम GRADA का प्रस्ताव करते हैं, जो प्रतिकूल दस्तावेज़ हमलों के लिए एक ग्राफ़-आधारित पुनर्रैंकिंग फ्रेमवर्क है। GRADA का उद्देश्य प्रतिकूल दस्तावेज़ों के प्रभाव को कम करते हुए रिट्रीवल गुणवत्ता बनाए रखना है। हमने पाँच LLM और तीन डेटासेट—GPT-3.5-Turbo, GPT-4o, Llama3.1-8b, Llama3.1-70b, और Qwen2.5-7b—पर प्रयोग किए और नेचुरल क्वेश्चन डेटासेट पर हमले की सफलता दर में 80% तक की कमी हासिल की।
