🌟 Tên bài báo: A Survey on Attacks, and Defenses in Retrieval-Augmented Generation


����‍���� Các tác giả: Minh Tran, Cuong Dang, Tuc Nguyen, Khanh-Tung Tran, Minh Huynh Nguyen, Trinh Chau, Kien Le, Do Xuan Long, Jiahao Zhang, Fali Wang, Hoang D. Nguyen, Thanh Le, Suhang Wang.

Trong đó: 

  • Tác giả đầu: Sinh viên Trần Tạ Quang Minh - Chương trình Trí tuệ nhân tạo - Khóa tuyển 2023

  • Giảng viên cùng thực hiện: TS. Lê Ngọc Thành – Giảng viên Khoa Công nghệ Thông tin, Trường Đại học Khoa học tự nhiên, ĐHQG-HCM.


🔥 Tóm tắt bài báo: Công trình nghiên cứu robustness và security của Retrieval-Augmented Generation (RAG), cơ chế giúp Large Language Models (LLMs) khai thác tri thức bên ngoài để tăng factuality và giảm hallucination. Nghiên cứu cho thấy RAG vẫn tồn tại nhiều security và safety vulnerabilities trong toàn bộ pipeline. Nghiên cứu hệ thống hóa các attack theo mục tiêu và defense theo từng giai đoạn retrieval-rerank-generation-traceback; đồng thời tổng hợp threat model, robustness benchmark, explainability methods và các thách thức trong emerging RAG architectures như GraphRAG, Multimodal RAG và Agentic RAG. 


✨ Điểm nổi bật của bài báo: Bài báo đề xuất một khung khảo sát thống nhất và pipeline-aware về robustness của RAG, khắc phục sự phân mảnh của các nghiên cứu trước đây khi xem xét riêng lẻ attack, defense hoặc trustworthiness. Nghiên cứu đồng thời hệ thống hóa mục tiêu, tri thức và năng lực của attacker trên các thành phần corpus-retriever-generator; phân loại attack theo accuracy, privacy và fairness, trong khi defense được tổ chức theo vị trí can thiệp thực tế trong pipeline gồm retrieval, reranking, generation và traceback.  Đáng chú ý, theo bảng so sánh trong bài, khảo sát này bao phủ đồng thời attack taxonomy, defense taxonomy, pipeline-aware analysis, các biến thể RAG, robustness benchmark và explainability, phạm vi rộng hơn các survey được đối chiếu.  Ngoài việc tổng hợp các phương pháp hiện có, nghiên cứu còn xác định các vấn đề mở như transferability của attack, trade-off giữa effectiveness và stealthiness, bảo mật trong GraphRAG/Multimodal RAG, hạn chế của traceback defense và fine-grained source attribution, qua đó cung cấp một roadmap cho nghiên cứu và phát triển các hệ thống RAG đáng tin cậy. 


👉 Link bài báo: https://arxiv.org/pdf/2608.24977 


🌈 Về Hội nghị Empirical Methods in Natural Language Processing: EMNLP là một trong những hội nghị quốc tế hàng đầu trong lĩnh vực Natural Language Processing (NLP), Computational Linguistics và Artificial Intelligence. EMNLP hiện được xếp hạng A* theo ICORE 2026, mức xếp hạng cao nhất trong hệ thống ICORE; chỉ khoảng 7,52% các hội nghị được đánh giá đạt hạng A*. Hội nghị được tổ chức bởi SIGDAT thuộc Association for Computational Linguistics (ACL), quy tụ các nhà khoa học và nhóm nghiên cứu hàng đầu thế giới trong NLP và Large Language Models. Các công trình trải qua quy trình peer review quốc tế theo hệ thống ACL Rolling Review trước khi được xét chấp nhận vào EMNLP. EMNLP 2026 được tổ chức tại Budapest, Hungary từ ngày 24–29/10/2026.


🌻 Xin chúc mừng tác giả và thầy hướng dẫn với thành tựu nghiên cứu xuất sắc này.

🌻Chúc bạn sẽ tiếp tục đạt được thành công trong tương lai.