针对稠密检索模型的黑盒对抗攻击：一种多视角对比学习方法

神经排序模型（NRMs）与稠密检索（DR）模型已显著提升了整体检索性能。除有效性外，受其他领域基于深度学习的方法已被证实缺乏鲁棒性的推动，人们对基于深度学习的方法在核心检索问题上的鲁棒性兴趣日增。迄今开发的对抗攻击方法主要聚焦于攻击NRMs，极少关注DR模型的鲁棒性。本文中，我们引入对抗检索攻击（AREA）任务。AREA任务旨在诱使DR模型检索出针对某查询由其初始候选文档集之外的一个目标文档。我们考虑基于决策的黑盒对抗设定，该设定在现实世界搜索引擎中具现实性。为应对AREA任务，我们首先采用现有为NRMs设计的对抗攻击方法。我们发现，此前在攻击NRMs上报道的 promising 结果并未推广至DR模型：这些方法的表现不及简单的术语堆砌方法。我们将所观察到的缺乏可推广性归因于NRMs以交互为中心的架构，其强调细粒度相关性匹配。DR模型遵循以表示为中心的不同架构，优先处理粗粒度表示。我们提议将针对DR模型的攻击形式化为多视角表示空间中的对比学习问题。核心思想是通过视角级监督信号，鼓励目标文档的各视角表示与其对应观察者之间的一致性。实验结果表明，所提方法能以微小不可察觉的文本扰动显著优于现有攻击策略，从而误导DR模型。