Khung Retrieval Augmented Generation (RAG) cải thiện độ chính xác của LLM bằng cách truy xuất các tài liệu bên ngoài, nhưng nó dễ bị tấn công đối kháng thao túng quá trình truy xuất. Trong bài báo này, chúng tôi đề xuất GRADA, một khung xếp hạng lại dựa trên đồ thị cho các cuộc tấn công tài liệu đối kháng. GRADA hướng đến việc duy trì chất lượng truy xuất đồng thời giảm thiểu tác động của các tài liệu đối kháng. Chúng tôi đã tiến hành thử nghiệm trên năm LLM và ba tập dữ liệu—GPT-3.5-Turbo, GPT-4o, Llama3.1-8b, Llama3.1-70b và Qwen2.5-7b—và đạt được tỷ lệ giảm tấn công thành công lên đến 80% trên tập dữ liệu Natural Questions.
