AI要約 Mac版VSCodeで使えるショートカットキーを初級・中級・上級の3レベルに分けて70個まとめた保存版記事。基本操作から高度なカスタマイズまで、開発効率を上げるためのキーバインドを網羅的に紹介している。

EN A comprehensive guide listing 70 useful VSCode keyboard shortcuts for Mac, organized into beginner, intermediate, and advanced levels to help developers boost productivity from basic operations to advanced customizations.

AI要約 異種の油田掘削データに対し、エージェント型LLMオーケストレーションとツール拡張を組み合わせた掘削知能システムTADIを提案。複数データソースを統合し、現場の意思決定支援を実現する研究である。

EN TADI proposes a tool-augmented drilling intelligence system that uses agentic LLM orchestration over heterogeneous wellsite data to integrate diverse sources and support drilling decision-making.

AI要約 自律AIエージェント向けの分散型評判管理フレームワーク「AgentReputation」を提案。エージェント間の信頼性評価を分散的に行い、悪意ある行動の抑制や安全な協調を実現する仕組みを示している。

EN This paper proposes AgentReputation, a decentralized reputation framework for agentic AI systems that enables trust evaluation among autonomous agents to mitigate malicious behavior and support safe multi-agent collaboration.

AI要約 本研究は大規模言語モデルにおけるジェイルブレイク攻撃の成功要因を、最小・局所・因果的な観点から説明する手法を提案する。モデル内部の特定要素を介入実験で検証し、安全機構の脆弱性を解釈可能な形で明らかにする。

EN This paper proposes a method to explain why jailbreak attacks succeed in large language models through minimal, local, and causal interventions, identifying specific internal components responsible for safety bypasses in an interpretable manner.

AI要約 本研究はLLMエージェントがツールを使う際に生じる性能劣化「ツール利用税」を分析。ツール導入が必ずしも精度向上に繋がらず、推論能力やコストに悪影響を及ぼす場合があることを実証的に示した。

EN This paper investigates the 'tool-use tax' in LLM agents, showing that integrating external tools does not always improve performance and can degrade reasoning quality and increase costs across various benchmarks.

AI要約 本論文は、選好データのトポロジー構造と不確実性を取り込んだ新しい直接選好最適化(DPO)手法TUR-DPOを提案する。従来のDPOが見落としがちな選好の幾何学的関係と信頼度を活用し、より頑健な言語モデルアラインメントを実現する。

EN The paper proposes TUR-DPO, a Direct Preference Optimization variant that incorporates topological structure and uncertainty estimation of preference data to achieve more robust language model alignment compared to standard DPO.

AI要約 ARMOR 2025は、民間中心の評価では捉えきれない軍事的文脈における大規模言語モデルの安全性を評価するベンチマーク。軍事ドクトリンに整合した敵対的プロンプトを用い、既存LLMの脆弱性を明らかにする。

EN ARMOR 2025 is a new benchmark for evaluating LLM safety in military-aligned contexts beyond civilian use cases. It uses doctrine-aligned adversarial prompts to reveal vulnerabilities in current models that standard safety evaluations miss.

AI要約 本論文は、複数主体による集合的行為主体性(collective agency)を因果モデルの枠組みで定式化する研究である。個々のエージェントの介入と結果の因果関係を分析し、集団としての意図や責任の帰属を理論的に基礎づけることを目指している。

EN This paper formalizes collective agency through a causal modeling framework, analyzing how interventions by multiple agents jointly produce outcomes and providing theoretical foundations for attributing intentions and responsibility to groups.

AI要約 本論文は、旅行計画の最適化に向けたエージェント型AIアプリケーションを提案する。複数のAIエージェントが連携し、ユーザーの好みや制約に基づき行程・予算・交通手段などを動的に最適化する仕組みを示し、従来手法との比較で有効性を検証している。

EN This paper presents an agentic AI application for trip planning optimization, where multiple cooperating AI agents dynamically optimize itineraries, budgets, and transportation based on user preferences and constraints, demonstrating effectiveness over traditional methods.

AI要約 本論文は生成的世界モデリングをハミルトニアン力学の観点から再構築し、物理法則に忠実な世界モデルを提案する。エネルギー保存や対称性を内在化することで、より一貫性のある長期予測とシミュレーションを可能にする枠組みを示す。

EN This paper reframes generative world modeling through a Hamiltonian dynamics perspective, proposing physically native world models that embed conservation laws and symmetries to enable more consistent long-horizon prediction and simulation.

AI要約 マルチターンのエージェント型強化学習において探索と活用のバランスを取るため、エントロピーを適応的に調整するAEM手法を提案。学習の安定性と性能を向上させる。

EN AEM proposes an adaptive entropy modulation technique for multi-turn agentic reinforcement learning, dynamically balancing exploration and exploitation to improve training stability and performance.

AI要約 長期的なロボット操作タスクに向け、テキストと画像を交互に組み合わせた視覚言語推論トレースを提案。視覚的な中間ステップを生成することで、計画と実行の精度を高め、複雑な操作課題への対応力を向上させる手法を示す。

EN This paper proposes interleaved vision-language reasoning traces that combine text and images for long-horizon robot manipulation tasks, enabling models to generate visual intermediate steps that improve planning and execution accuracy on complex manipulation problems.

AI要約 電気容量制約付き車両ルーティング問題(E-CVRP)に対し、二層型Late Acceptance Hill Climbing(LAHC)を提案。インスタンスの特性に応じてパラメータを自動調整する仕組みを導入し、解の品質と計算効率の両立を図る。

EN This paper proposes a bilevel Late Acceptance Hill Climbing (LAHC) algorithm for the Electric Capacitated Vehicle Routing Problem, featuring instance-aware parameter configuration that adapts to problem characteristics to balance solution quality and computational efficiency.

AI要約 小型のオープンウェイトLLMがエージェント的なツール利用タスクでどの程度の性能に到達できるかを評価するベンチマーク「AgentFloor」を提案。各種モデルの能力の下限と上限を体系的に比較し、ツール使用能力の限界を明らかにする。

EN Introduces AgentFloor, a benchmark that systematically evaluates how far small open-weight LLMs can climb the tool-use capability ladder, comparing models to reveal performance floors and ceilings on agentic tasks.

AI要約 本論文は人間と機械の共生におけるAIの役割を考察し、AIが人間の能力を拡張するパートナーとして機能する枠組みを提示。自律的な代替ではなく協調的な相互作用の重要性を論じている。

EN This paper examines the role of AI in human-machine symbiosis, proposing frameworks where AI augments human capabilities as a collaborative partner rather than an autonomous replacement, emphasizing cooperative interaction.

AI要約 大規模行動モデル(LAM)の評価において、人間の嗜好と整合する効率的な評価手法HUMANSを提案。従来の自動評価では捉えきれない実利用での品質を測定し、人間の判断との一致度を高めることを目指す。

EN This paper introduces HUMANS, an efficient evaluation framework for Large Action Models (LAMs) that aligns with human preferences, addressing limitations of automated metrics in capturing real-world usability and judgment.

AI要約 本論文では、コード生成における柔軟な多基準評価を実現する堅牢な多言語コード報酬モデル「Themis」を提案する。複数のプログラミング言語と評価観点に対応し、従来手法より高精度なスコアリングを可能にする訓練手法を示している。

EN The paper introduces Themis, a robust multilingual code reward model designed for flexible multi-criteria scoring across programming languages, offering improved evaluation accuracy for code generation tasks.

AI要約 本論文は、生成AIエージェントを活用した説明可能なトピックモデリング手法「Agentopic」を提案する。従来のトピックモデルに比べ、エージェントによる反復的な処理で解釈性と精度を向上させ、抽出されたトピックに対する説明能力を高めている。

EN This paper proposes Agentopic, a generative AI agent-based workflow for explainable topic modeling. By leveraging iterative agent reasoning, it improves interpretability and accuracy over traditional topic models while providing explanations for extracted topics.

AI要約 本論文では、最適な群を多項式時間で選択する新手法として、二重交換子に基づく固有値問題による定式化を提案する。従来の組合せ的探索を回避し、効率的な解法を実現する理論的枠組みを示している。

EN This paper proposes a polynomial-time method for optimal group selection by formulating it as a double-commutator eigenvalue problem, avoiding combinatorial search and providing an efficient theoretical framework.

AI要約 本論文は、相関のある特徴量と弱信号が存在する条件下でのスパース回帰手法を体系的に比較する再現可能なベンチマークを提案する。Lasso等の古典的手法とベイズ的手法を多様なシミュレーション設定で評価し、変数選択と予測性能の優劣を明らかにする。

EN This paper presents a reproducible benchmark comparing classical (e.g., Lasso) and Bayesian sparse regression methods under correlated features and weak signals, evaluating variable selection and predictive performance across diverse simulation scenarios.

AI要約 Flow Matchingに代表される生成モデルのサンプリングに用いられる常微分方程式(ODE)ソルバーを比較検証した研究。古典的なオイラー法から高次のDormand-Prince法まで複数の数値解法を評価し、生成品質と計算コストのトレードオフを分析している。

EN This paper investigates and compares various ODE solvers, from the classical Euler method to higher-order Dormand-Prince schemes, for sampling in flow matching generative models, analyzing trade-offs between sample quality and computational cost.

AI要約 GPU上で対数領域Sinkhornアルゴリズムを高速化する手法を提案。ワープレベルのリダクションを活用して数値安定性を保ちつつ最適輸送計算を効率化し、従来実装に比べ大幅な高速化を達成した。

EN This paper presents a fast log-domain Sinkhorn algorithm for optimal transport on GPUs, leveraging warp-level reductions to maintain numerical stability while significantly accelerating computation compared to prior implementations.

AI要約 希少な脳MRI症例に対し、ビューワレベルのツール操作と文献検索を組み合わせたエージェント型ゼロショット評価フレームワーク「GAZE」を提案。グラウンディングされた推論で診断精度の向上を図る研究。

EN GAZE is an agentic zero-shot evaluation framework for rare brain MRI cases that combines viewer-level tools with literature retrieval to enable grounded diagnostic reasoning without task-specific training.

AI要約 本論文はStyleShieldを提案し、連続的かつ制御可能なスタイル転送を用いてAIGC(AI生成コンテンツ)検出器の脆弱性を明らかにする。スタイルの強度を調整することで検出器を回避でき、既存検出手法の頑健性に重大な課題があることを示した。

EN This paper introduces StyleShield, which exposes the fragility of AIGC detectors via continuous controllable style transfer. By adjusting style intensity, the method can evade detection, revealing significant robustness limitations in current AIGC detection approaches.

AI要約 本研究では、空間生物学データと臨床組織学画像をHaikuと呼ばれる手法で統合する枠組みを提案する。両モダリティを結びつけることで、組織のより深い理解と臨床応用への橋渡しを目指す。

EN This paper proposes Haiku, a framework that links spatial biology data with clinical histology images, aiming to bridge molecular spatial information and tissue-level clinical imaging for deeper biological and diagnostic insights.

EN arXiv:2605.00926v1 Announce Type: new Abstract: The Receiver Operating Characteristic (ROC) curve of a binary classifier has often been utilized to measure the performance of the classifier. The area

EN arXiv:2605.00929v1 Announce Type: new Abstract: Multivariate time series anomaly detection in ICS has attracted growing attention due to the increasing threat of cyber-physical attacks on critical inf

EN arXiv:2605.00931v1 Announce Type: new Abstract: Federated learning (FL) is fundamentally a distributed optimization problem executed by communicating agents with local data, local computation, and par

EN arXiv:2605.00933v1 Announce Type: new Abstract: Continuous Glucose Monitoring (CGM) can detect early metabolic subphenotypes (insulin resistance, IR; $\beta$-cell dysfunction), but population-scale de

EN arXiv:2605.00934v1 Announce Type: new Abstract: We introduce Analytic-CPD, a structured analytic variant of coherent point drift for non-rigid point set registration. The method retains the CPD poster