paper-digest について
研究論文をソーシャル共有向けに、洞察を重視して簡潔にまとめるスキルです。背景、洞察、解決策、根拠の順に構成し、最後に示唆と arXiv リンクを添えます。
主な機能
- 014つの要素に沿って要約を構成
- 02洞察と因果関係を重視
- 03具体例と比較を使用
- 04重要な概念を太字にする
- 05複数論文の内容をまとめる
活用シーン
- 01共有向けの論文要約を作成
- 02専門外の読者に研究手法を説明
- 03複数論文に共通するテーマを整理
インストール
コマンドをコピーしてターミナルで実行します。
npx skills add https:/インストール後、Claude Code で/paper-digestを入力して読み込まれたか確認します。
詳細
論文ダイジェスト
ソーシャルメディアでの共有に適した、1段落の要約です。情報よりも洞察を重視します。
構成
- 背景：どのような問題があるのでしょうか？
- 洞察：ほかの人が見落としていた、どのようなことに気づいたのでしょうか？
- 解決策：洞察から手法へ、どのようにつながるのでしょうか？（自然な流れにします）
- 根拠：効果を示す具体的な比較
その後に、示唆を述べる一文＋📎 arxiv のリンクを付けます。
主なルール
- 読者は賢いものの、その分野には詳しくないと想定して説明します。
- 具体例やたとえを使います（例：「ゴミ箱の役割」 >> 「特定のトークンに集中」）
- 原因と結果のつながりを明確に示します。
- 代替案と比較・対照します（「Xは失敗したが、Yは成功した」）。
- 重要な概念を2～4個、太字にします。
- ユーザーの言語（韓国語／英語）に合わせます。
例
入力：arXiv 2601.15380
出力：
Transformerのattentionは「どのトークンをどれくらい見るか」を決めます。この論文では、softmax attentionを**Entropic Optimal Transport（EOT）**という最適化問題の解として再解釈しています。この見方から得られる洞察は、attentionの計算には「すべての位置が同じくらい重要である」という一様事前分布が暗黙に含まれていることです。これがなぜ問題なのでしょうか？ LLMでは、意味とは関係なく最初のトークンが非常に大きなattentionを受ける、attention sinkという現象が起こります。Softmaxは合計が1の確率を出力する必要があるため、queryが見るべきトークンを見つけられないとき、attentionを「捨てる場所」が必要になります。しかし、一様事前分布のもとでこれを実現するには、最初のトークンのkey vectorに「私はゴミ箱です」という構造的な情報まで持たせる必要があります。本来は意味内容だけを表すべきkeyの表現力が、無駄に使われてしまうのです。EOTによる解釈でこの問題が明らかになったため、解決策も自然です。一様事前分布を学習可能なものに変えればよいのです。この論文が提案するGOATは、「各位置の基本的な重要度」を別個の学習可能な項として分離し、key vectorは意味だけを、位置情報は事前分布が担うようにします。実験では、従来の手法が訓練時の長さを超えると急激に失敗した一方、GOATは長い文脈でも情報検索性能を維持しました。
示唆：EOTの視点はattentionに隠れた仮定を明らかにし、その仮定を変えられる設計上の自由度をもたらします。つまり、attention sinkは一様事前分布の副産物であり、事前分布を明示的にモデル化すれば解決できます。
📎 https://arxiv.org/abs/2601.15380
避けること
- 直感的な説明のない専門用語
- 代替案との比較がない発見
- 動機を説明しない手法の紹介（「なぜそうしたのか」を説明せず、「こうした」とだけ述べること）
複数の論文
複数の論文を要約する場合：
- 共通するテーマや問題を冒頭で示します。
- 各論文が異なる点にどう気づいたのかを対比します。
- 複数の論文を踏まえた示唆をまとめます。
言語
ユーザーの言語（韓国語／英語）に合わせます。言語にかかわらず、洞察を先に示す構成を維持します。