G検定～模擬試験②～ 2024年12月6日2024年12月6日 ailearn 1. 特許協力条約（PCT）に基づく国際出願の利点は何ですか？ 出願後すぐに特許権が認められる 国内出願が不要になる 一度の出願で複数国に特許出願ができる 全世界で特許が自動的に保護される None 2. 「死んだニューロン」問題を防ぐための改善策として適切なのはどれですか？ シグモイド関数に置き換える 勾配爆発を防ぐ Leaky ReLUやPReLUを使用する 学習率を高く設定する None 3. 次の中でエキスパートシステムが最もよく使用される分野はどれか？ 自然言語処理 医療診断 画像認識 ロボット制御 None 4. 音声処理における「スペクトルサブトラクション」の目的は何ですか？ ノイズを除去してクリアな音声を生成する 音声の周波数成分を可視化する 音声データを圧縮する 音声データを分類する None 5. AIシステムの「セキュリティ」と「プライバシー」の違いとして正しいのはどれですか？ セキュリティはシステムの動作を保護し、プライバシーはデータの保護に関わる セキュリティはデータの保護に関わり、プライバシーはシステムの動作を保護する 両者は全く同じ意味を持つ セキュリティは個人情報にのみ関わる None 6. サポートベクターマシン（SVM）において、「カーネル関数」を使用する主な理由は何ですか？ 高次元データの計算を効率化する モデルの収束速度を向上させる データの欠損値を補完する 線形分離可能でないデータを分離するために特徴空間を拡張する None 7. Deep Residual Networks（ResNet）におけるReLUの役割は何ですか？ 残差を計算するため 残差接続を消去するため 非線形性を導入し、学習を安定化させるため モデルを小さくするため None 8. Parametric ReLU（PReLU）で、パラメータを学習することで得られる利点は何ですか？ ReLUを完全に無効化できる 負の入力に対する勾配を学習して最適化できる 訓練データの前処理を行う 勾配爆発を防ぐ None 9. プーリング層を使用する主な理由は次のどれですか？ モデルのパラメータ数を増加させるため 特徴抽出を強化するため 入力データのノイズを除去するため 計算量を削減し、過剰適合を防ぐため None 10. 次のうち、モンテカルロ法が用いられる場面として最も適切なものはどれか。 統計的手法に基づくランダムサンプリングによって近似解を求める データをクラスタリングして分類を行う 最適な経路を必ず発見する 確率モデルを使わずに探索を行う None 11. WaveNetが従来の音声合成技術に比べて優れている点は何ですか？ 音声波形を直接生成することで、非常に自然な音声を生成できる 音声データの圧縮効率が高い 音声信号のノイズを完全に除去できる 計算速度が非常に速い None 12. エキスパートシステムにおける「メタ知識」の役割として最も適切なものはどれですか？ 専門分野に関する詳細な知識を管理する ユーザーの入力を解釈して知識ベースに登録する 時系列データを解析して推論に利用する 推論プロセスを制御し、どのルールを使用するかを判断する None 13. 次の探索アルゴリズムのうち、常に最適解を保証するものはどれか。 深さ優先探索 貪欲法 幅優先探索 山登り法 None 14. 次のアルゴリズムの中で、分類問題に最適なものはどれか？ K-最近傍法（K-NN） 線形回帰 主成分分析（PCA） アダブースト None 15. Tanh関数がシグモイド関数よりも深層学習に適している理由はどれですか？ 勾配消失問題を完全に解決する 計算コストが低いため 確率分布を生成できるため 出力がゼロ中心であるため、勾配の分布が安定する None 16. 次のうち、「教師なし学習」の手法はどれか？ ロジスティック回帰 K-means 線形回帰 サポートベクターマシン（SVM） None 17. A*アルゴリズムにおいて、ヒューリスティック関数はどのように使用されるか。 次に探索するノードをランダムに選ぶために使用される 現在のノードからゴールまでの予想コストを見積もるために使用される ノードの重み付けを決定し、最適な道を選ぶために使用される 探索が終了する条件を設定するために使用される None 18. AIの公平性を評価する際に使用される「差別の公正性」とは何ですか？ AIが特定の集団に有利な判断をすること AIが集団ごとに異なる精度で結果を提供すること AIが異なる集団に対して一貫した結果を提供すること AIが常に最適な結果を提供すること None 19. 深層強化学習において、「価値関数」とはどのようなものですか？ 環境の状態を予測する関数 エージェントが受け取る報酬の期待値を表す関数 方策を直接決定するためのモデル ディープニューラルネットワークの学習損失を計算する関数 None 20. 知識表現の形式として「フレーム」が使用される場合、その特徴として正しいものはどれですか？ ルールベースで条件と結果を記述する 概念やオブジェクトを属性と値で表現する データをグラフ構造で関連付ける 数値データを確率的にモデル化する None 21. 機械学習における「ラベルデータ」とは何を指しますか？ 訓練データセットで使用される全ての特徴量のこと 入力データに対応する正解値やカテゴリ情報 学習アルゴリズムのハイパーパラメータ設定 訓練データから抽出された特徴量のセット None 22. フレームの「スロット」とは何を意味するか？ 推論ルールの種類 オブジェクトに関する属性 データベースのテーブル メモリの領域 None 23. 「Curiosity-driven Exploration」は、どのような場合に強化学習で役立ちますか？ 環境に明示的な報酬がほとんど存在しない場合 環境が大きな報酬を明確に提供する場合 環境がエージェントに常に同じ状態を提供する場合 エージェントが確率的に行動する場合 None 24. A3C（Asynchronous Advantage Actor-Critic）の利点は何ですか？ Q関数を最適化することができる 離散的な行動空間にのみ適用可能である 報酬の割引率を調整できる 並列処理を用いて学習速度を向上させることができる None 25. バッチ正規化（Batch Normalization）を使用する主な利点は何ですか？ 学習のスピードが向上する モデルのパラメータが減少する 過剰適合が防がれる ニューラルネットワークの深さが減少する None 26. レイヤーノーマライゼーションがバッチ正規化に比べて有利となる場面はどのようなケースですか？ 非常に大きなバッチサイズでの学習 小さいバッチサイズでの学習 多クラス分類の学習 モデルの深さが浅い場合 None 27. DDPG（Deep Deterministic Policy Gradient）の主な利点は何ですか？ 連続行動空間での最適な方策学習が可能である 離散行動空間にのみ適用可能である エージェントが環境を変更できる 学習時間を大幅に短縮できる None 28. AI倫理における「公平性」とは、どのようなことを指しますか？ AIシステムがすべての人に対して平等かつ差別のない結果を提供すること AIがすべてのタスクを自動で処理すること AIが経済的利益を最大化すること AIがすべてのユーザーに同じ結果を提供すること None 29. 特許法における「発明の公開」と「秘密保持契約（NDA）」の関係性は何ですか？ NDAにより発明は公開されない 発明の公開を遅らせるためにNDAを活用する NDAは特許取得に必須である 発明はNDAによって自動的に特許が認められる None 30. エキスパートシステムの知識ベースを構築する際に使用されることが多いのはどの手法か？ データマイニング 機械学習 ヒューリスティックアプローチ ニューラルネットワーク None 31. 強化学習における「方策勾配法（Policy Gradient Method）」とは何ですか？ Q関数を間接的に最適化する手法 環境の動作をシミュレートする手法 方策（Policy）を直接学習し、最適化する手法 報酬の割引率を計算する手法 None 32. ドロップアウトと正規化層を併用するメリットは何ですか？ 正則化の効果が増加し、過剰適合を防ぐことができる モデルの計算速度が速くなる 勾配の変動を増加させ、学習を早く進める ニューラルネットワークの深さを減らすことができる None 33. アルファベータ剪定がMinimax法に与える効果として正しいものはどれか。 最適解を保証するため、全てのノードを探索する 最適解を保証するが、効率は低下する ある枝の探索を省略し、探索の効率を向上させる ランダムに探索を行い、最適解を見つける None 34. 深層強化学習における「行動価値関数（Action-Value Function）」とは何ですか？ 行動を選択する確率を示す関数 報酬の割引率を計算する関数 環境の状態を変化させる関数 状態と行動のペアに対する期待される報酬の総和を示す関数 None 35. ソフトウェア発明に対する特許取得において、重要な要件は何ですか？ ソフトウェアが具体的な技術的効果をもたらすこと ソフトウェアが商業的に利用されていること ソフトウェアが公開されていること ソフトウェアが広く使用されていること None 36. 機械学習において「過学習（オーバーフィッティング）」とは何か？ モデルが学習データに過度に適合し、新しいデータに対しての汎化能力が低下すること モデルが学習データに適合できず、予測精度が低下すること 学習データが十分でないために、モデルの性能が低いこと モデルが極端に単純化され、性能が高くなること None 37. 「意味ネットワーク（Semantic Network）」が他の知識表現形式と異なる特徴はどれですか？ 属性と値のペアを用いる 確率モデルに基づいて推論を行う 条件付きルールで推論を行う グラフ構造を使用して概念間の関係を視覚的に表現する None 38. 医療分野で使用されるAIシステムが不正アクセスを受けた場合、どのようなセキュリティリスクが考えられますか？ 患者の個人情報が漏洩するリスク AIシステムが自動で判断を行わなくなるリスク AIシステムが物理的に破壊されるリスク AIが新しいデータを収集するリスク None 39. Swish関数の特徴は何ですか？ ReLUの完全な代替関数 勾配消失問題を解消する関数 ReLUとシグモイドを組み合わせた特性を持つ関数 正の入力のみを許容する関数 None 40. 勾配降下法（Gradient Descent）の目的は何か？ 訓練データをランダムにシャッフルする モデルの出力を正規化する 次元削減を行うためにデータを変換する コスト関数を最小化するためにモデルのパラメータを更新する None 41. ReLUを使用する利点として適切なのはどれですか？ 勾配爆発問題を防ぐ 勾配消失問題を防ぐ ニューロンのすべての重みをリセットする 計算が効率的であり、学習が高速 None 42. AI分野において、特許権の取得が重要な理由は何ですか？ 他社が同様の技術を無断で使用するのを防ぐため 特許権を取得しなければ技術を公開しなければならないため 特許を取得しないと技術の開発が進まないため 特許庁に技術の所有権を移転するため None 43. AIアルゴリズムの特許取得において、最も考慮すべき点はどれですか？ アルゴリズムが公開されているかどうか アルゴリズムが商業利用されているかどうか アルゴリズムが他国で使用されているかどうか アルゴリズム自体が特許法に基づく発明として認められるかどうか None 44. プーリング層を用いない「ストライド付き畳み込み（Strided Convolution）」を使用する利点として最も適切なのはどれですか？ モデルの計算負荷を増大させるため プーリング層を省略しながら特徴抽出と解像度縮小を同時に行えるため プーリング層の計算精度を向上させるため 入力データを均一にするため None 45. AIシステムが公平性を確保する際に重要な「グループ間公正性」とは何を指しますか？ すべてのユーザーに同じ結果を提供すること 異なるグループ間での結果が平等であること 特定のグループのみに有利な結果を提供すること ユーザーに応じて結果を完全に非公開にすること None 46. 正規化層が過剰な情報損失を引き起こす可能性がある場合、その影響を緩和するために適切な対策はどれですか？ 正規化層の適用を停止する 勾配クリッピングを併用する 正規化パラメータ（ガンマとベータ）を学習させる 入力データの次元を増加させる None 47. ニューラルネットワークにおける「バックプロパゲーション」とは何か？ 入力層から出力層に向かってデータを伝えるプロセス 出力層から入力層に向かって誤差を伝播させて重みを更新するプロセス モデルの性能を向上させるために追加される隠れ層 データを無作為にシャッフルして訓練するプロセス None 48. Q学習において、「Q関数」は何を表しますか？ 状態と行動のペアに対する期待される累積報酬 行動の選択確率 エージェントの行動方針 環境の変化速度 None 49. AI関連技術の発明に対する特許取得において、重要なポイントは何ですか？ 発明が既存のAI技術と明確に異なること 発明が商業的に利用されていること 発明が秘密裏に開発されていること 発明が公開されていること None 50. 推論エンジンにおいて、前向き推論と後ろ向き推論の違いはどれか？ 前向き推論は結論から推論を行う 後ろ向き推論は前提条件から結論を導く 前向き推論はデータから結論を導く 後ろ向き推論は仮説からデータを探す None 51. 次のうち、ディープラーニングにおいて「活性化関数」としてよく使用されるものはどれか？ 決定木 SVM ReLU（Rectified Linear Unit） 最近傍法 None 52. AIシステムのセキュリティリスクを評価するために使用される「リスクベースアプローチ」とは何ですか？ AIシステムが遭遇する可能性のあるリスクを無視すること 全てのリスクに同じ対応を行うこと リスクを完全に排除すること 発生し得るリスクを特定し、その重大性に応じて対応策を講じるアプローチ None 53. プーリング層のカーネルサイズを大きくすることのデメリットは何ですか？ 計算量が増加する モデルの表現力が低下する 過剰適合が進行する 情報の損失が大きくなる None 54. AIが公平に機能するために「差別の公正性」と「プロセスの公正性」の両方が重要とされる理由は何ですか？ AIが効率的に動作するため AIがユーザーのプライバシーを保護するため AIの意思決定プロセスとその結果が共に公平であることが、真に公正なAIシステムを構築するために不可欠だから AIが自律的に判断を行うため None 55. ニューラルネットワークにおける「エポック」とは何か？ 全ての訓練データを1回モデルに通した回数 モデルの構造を決定するためのプロセス データの前処理手順の一つ モデルの性能を評価する指標 None 56. ニューラルネットワークで「ドロップアウト」の目的は何か？ モデルの訓練データを増やす モデルの過学習を防ぐ モデルの重みを初期化する 訓練データの次元を削減する None 57. ドロップアウト層と正規化層の違いは何ですか？ ドロップアウト層はパラメータを学習するが、正規化層はパラメータを持たない 正規化層は過剰適合を防ぐが、ドロップアウト層は収束を速くする ドロップアウト層はモデルの複雑さを増やす 正規化層はデータのスケーリングを行うが、ドロップアウト層はランダムにニューロンを無効にする None 58. AIシステムのセキュリティ対策において、データの「暗号化」の目的は何ですか？ データを迅速に処理するため データを永久に保存するため データの機密性を確保し、不正アクセスから保護するため データを共有しやすくするため None 59. AIシステムが公平性を欠く原因として考えられる「サンプルバイアス」とは何ですか？ トレーニングデータが特定のグループを過剰に代表する偏り システムがすべてのデータをランダムに選択すること トレーニングデータを完全に削除すること システムが結果を固定的に生成すること None 60. AIによる雇用採用システムが特定の性別に偏った結果を出している場合、どのような修正が必要ですか？ 性別に関するデータを増やす 性別に関連するデータを削除し、AIモデルを再トレーニングする 性別に基づく評価を自動化する AIシステムを完全に停止する None 61. エキスパートシステムでの「信頼度（確信度）」を持った推論について、どれが正しいか？ 推論結果が常に正しいと仮定する 各ルールに確率や信頼度を割り当て、推論の不確実性を考慮する 推論に不確実性を導入することはない 信頼度は推論の速度を上げるために使われる None 62. 深層強化学習における「環境」とは何を指しますか？ エージェントが行動を取る場所と、その行動の結果を提供するシステム エージェントが訓練されるニューラルネットワークモデル 強化学習の方策を定義する関数 報酬を決定する関数のみを管理するシステム None 63. グローバルプーリング（Global Pooling）が一般的なプーリング層と異なる点として適切なものはどれですか？ 入力特徴マップ全体に対して統計操作を適用する 各特徴マップごとに個別のカーネルサイズを使用する各特徴マップごとに個別のカーネルサイズを使用する各特徴マップごとに個別のカーネルサイズを使用する 特徴マップの全ての位置において最大値を保持する 入力サイズに依存せず、固定の出力サイズを生成する None 64. 「強化学習における状態（State）」とは何を表しますか？ エージェントが実行する行動 環境がエージェントに提供する観測情報 エージェントが受け取る報酬の合計 次に選択される方策 None 65. 「交差検証（Cross Validation）」の主な目的はどれですか？ モデルの学習速度を向上させる 訓練データの数を増やす モデルの汎化性能を評価する モデルの過学習を完全に防ぐ None 66. AIシステムが銀行の融資判断で年齢による差別をしている場合、そのバイアスを解消するために行うべき処置は何ですか？ 年齢に基づいたデータを増やす 融資判断において年齢を最も重視する 年齢データを使用しないようにする 年齢に関連するデータを完全に削除し、モデルを再トレーニングする None 67. 「サポートベクターマシン（SVM）」の特徴はどれか？ データを高次元空間にマッピングして線形分離する クラスタリング手法の一つである 連続値の予測に用いられる回帰手法 訓練データをランダムにサンプリングして学習を行う None 68. 強化学習において、エージェントが「最適方策」を学習するためには何が必要ですか？ 状態空間の削減 十分な探索と適切な報酬設計 事前に最適な行動の知識を持つ 報酬を均等に設定する None 69. 「Advantage Actor-Critic（A2C）」アルゴリズムにおけるAdvantage（A）の役割は何ですか？ 方策を学習するための損失関数を計算する 環境の報酬を直接予測する 行動をランダムに選択するための確率を計算する 状態の価値と行動の価値の差分を計算し、行動の改善を促進する None 70. Softmax関数を使用する場合、出力の合計が1になる理由として正しいのはどれですか？ 各出力を正規化するから 入力値をそのまま返すから 確率分布を生成するために指数関数を使用するから 勾配をゼロにするため None 71. ディープラーニングにおける「CNN（畳み込みニューラルネットワーク）」の主な用途は何か？ 自然言語処理 音声認識 時系列データの予測 画像認識 None 72. AIシステムの安全性確保のために「サンドボックス環境」を利用する主な目的は何ですか？ システムを本番環境で直接テストするため システムの動作を完全に停止させるため サンドボックス内でのみシステムを使用するため システムが外部リスクから隔離された状態でテストできるようにするため None 73. 深層強化学習において「カリキュラム学習」が導入される理由は何ですか？ エージェントの学習速度を減速させるため 報酬の変動を抑えるため エージェントが段階的に難易度の高いタスクを学習できるようにするため 環境の状態をリセットするため None 74. プーリング層を用いたとき、モデルの表現力に影響を与える可能性のあるパラメータはどれですか？ カーネルサイズとストライド バッチサイズと学習率 ニューラルネットワークの深さ 勾配降下法の種類 None 75. 深層強化学習で報酬の「遅延」が問題となる理由は何ですか？ エージェントが遅延報酬を正しく評価できないことが多いため 遅延報酬はエージェントに無関係なため 遅延報酬は常に負の値であるため 遅延報酬は割引率に影響されないため None 76. 正規化層を使用することで、モデルの一般化性能にどのような影響がありますか？ モデルの複雑さが増し、過剰適合が進む 勾配が消失しやすくなる モデルの一般化性能が向上する 正規化層の使用は一般化性能に影響しない None 77. 知識表現の方法である「セマンティックネットワーク」として正しいものはどれか？ 知識をツリー構造で表現する 知識をグラフ構造で表現する 知識を表計算シートで表現する 知識を論理式で表現する None 78. AI関連技術における特許法上の「発明」とはどのような条件を満たす必要がありますか？ 技術的アイデアを含む具体的な手段であること 抽象的な概念や数学的理論を示すものであること 単なるデータの集合体であること 公共の利益に寄与しないものであること None 79. Leaky ReLUを使用する場合、負の入力に対する勾配が大きすぎるとどのような問題が発生しますか？ モデルが過剰に適合する可能性がある 学習が停止する 出力がすべて1になる 勾配がすべて消失する None 80. 「ReLU（Rectified Linear Unit）」の出力範囲はどれですか？ -1から1 0から1 0から無限大 -無限大から無限大 None 81. AIによるクレジットスコアリングシステムが特定の地域の住民に不利な結果を出す場合、そのバイアスを解消するために取るべき対策は何ですか？ 特定の地域に関連するデータを削除する 地域データを使用しないようにする すべての地域のデータを均等に使ってAIモデルを訓練する クレジットスコアリングのプロセスを停止する None 82. 「tanh」関数の出力範囲はどれですか？ 0から1 -1から1 0から無限大 -無限大から無限大 None 83. プーリング層の一般的な利点はどれですか？ 重みの学習を促進する モデルの複雑さを増す 過剰適合を防ぐ 勾配の爆発を防ぐ None 84. 強化学習における「探索」と「活用」のバランスを取るための一般的な方法はどれですか？ 正規化とドロップアウト Boltzmann探索とε-greedy法 勾配降下法と逆伝播 サンプリングとリサンプリング None 85. アルファベータ剪定を用いる場合、剪定の効率を高めるために推奨される手法はどれですか？ 可能な手をランダムに探索する 再帰を用いずに実装する ノードの評価順序を最適化する 剪定を無効にして全探索を行う None 86. 正規化層が勾配爆発問題を防ぐ仕組みとして適切なのはどれですか？ 勾配の大きさを一定範囲内に制限する 勾配がゼロになるように調整する 各層の出力を一定の範囲に正規化する ネットワークの深さを削減する None 87. AIシステムにおける「ゼロデイ攻撃」とは何ですか？ AIシステムが動作を停止する攻撃 システムの脆弱性が発見されると同時に攻撃されること AIシステムがデータを削除する攻撃 AIシステムが他のシステムに攻撃を仕掛けること None 88. 強化学習における「報酬（Reward）」の役割は何ですか？ 環境の状態を変える エージェントが行った行動の評価 エージェントのメモリをリセットする エージェントの行動履歴を保存する None 89. tanh関数がシグモイド関数に比べて優れている点はどれですか？ ゼロ中心であるため、学習が進みやすい 計算が速い 出力範囲が広い 負の勾配が大きい None 90. 次のうち「勾配消失問題」を回避するために提案された活性化関数はどれか？ シグモイド関数 ReLU（Rectified Linear Unit） ソフトマックス関数 タンジェント関数 None 91. AIの「セキュリティバイデザイン」とは、どのような概念ですか？ AIシステムの構築後にセキュリティ対策を実施する AIモデルが自動的にセキュリティを確保する AIシステムの設計段階からセキュリティを組み込む セキュリティを設計の最後に検討する None 92. プーリング層は通常どのような位置に配置されますか？ ニューラルネットワークの入力層 畳み込み層の後 出力層の直前 重み更新のタイミングで挿入される None 93. 次の探索手法のうち、最適解を保証しないが高速に解を求めるものはどれか。 幅優先探索 深さ優先探索 A*アルゴリズム 貪欲法 None 94. Swish関数が特に役立つとされる状況はどれですか？ 小さなネットワークで高速な学習が必要な場合 ReLUが機能しない場合 すべての入力が負の値になる場合 深いニューラルネットワークで滑らかな学習が必要な場合 None 95. WaveNetが音声処理で使用される理由は何ですか？ データの圧縮を行うため 音声認識精度を向上させるため テキスト処理を行うため 高品質な音声を生成できるため None 96. 特許権が日本で認められるためには、どの国の特許庁に出願する必要がありますか？ 世界知的所有権機関（WIPO） アメリカ合衆国特許商標庁 日本特許庁 欧州特許庁 None 97. シグモイド関数が適用される一般的なケースはどれですか？ 多クラス分類 バイナリ分類の出力層 時系列データの処理 回帰問題 None 98. AIによる刑事司法システムで、特定の人種が過度に厳しい処罰を受けている場合、その原因として考えられるのは何ですか？ AIが人種データを誤って処理している AIが訓練データに含まれる歴史的なバイアスを学習している AIがデータを適切に解析していない AIがデータをすべて削除している None 99. 探索アルゴリズムにおける「ビーム幅」が狭すぎる場合に発生する可能性が高い問題はどれですか？ 探索が無限ループに陥る 計算コストが大幅に増加する 最適解を見逃す可能性がある 探索時間が長くなりすぎる None 100. 音声認識における「注意機構（Attention）」の役割は何ですか？ 音声信号中の重要な部分に焦点を当て、関連する情報に重みを付ける 音声信号の周波数成分を分析する 音声信号を圧縮する 音声データを正規化する None 101. レイヤーノーマライゼーション（Layer Normalization）とバッチ正規化の違いは何ですか？ 計算速度 入力データのサイズ 正規化する単位 モデルの複雑さ None 102. エキスパートシステムで、知識ベースが時系列データを取り扱う場合、どのような知識表現が適しているか？ ツリー構造 述語論理 フレーム テンポラルロジック None 103. 音声認識において、最も一般的に使用されるディープラーニングモデルはどれですか？ CNN RNN SVM k-NN None 104. AIシステムが交通違反の罰金を課す際に、特定の地域住民に不公平な罰金を科している場合、そのバイアスを軽減する方法は何ですか？ すべての地域のデータを均等に使用してAIモデルを訓練する 特定の地域データを増やす 罰金をAIで自動設定する 地域データを完全に削除する None 105. ストライドとは何ですか？ プーリング層のサイズを決定するパラメータ プーリング層の計算速度を決定するパラメータ フィルターの移動幅を決定するパラメータ ニューラルネットワークの学習率を決定するパラメータ None 106. AIが採用面接の評価で候補者の学歴を過度に重視し、特定の集団に不利な評価をしている場合、どのようにバイアスを解消できますか？ 学歴データを削除し、評価基準を見直す 学歴データをさらに強化する 学歴データに基づく評価を続ける 採用システムを停止する None 107. 次のうち、前向き連鎖と後向き連鎖の違いを正しく説明しているものはどれか。 前向き連鎖はゴールから逆算し、後向き連鎖はスタートから進む 前向き連鎖は現在の事実から結論を導き、後向き連鎖はゴールから必要な事実を推論する 前向き連鎖は木構造を使い、後向き連鎖はグラフ構造を使う 前向き連鎖はデータ駆動型であり、後向き連鎖はモデル駆動型である None 108. プーリング層を使用した場合に発生しやすい情報損失の影響を軽減するために、適切な対策として最も有効なのはどれですか？ プーリングのストライドをゼロに設定する 畳み込み層のフィルタサイズを大きくする プーリング層と畳み込み層を組み合わせ、情報の冗長性を活用する プーリング層を完全に削除する None 109. AIシステムにおける「説明可能性（エクスプレイナビリティ）」が欠如している場合、どのようなセキュリティリスクが生じますか？ システムの動作が停止する AIの判断や行動が理解できないため、不正アクセスや攻撃を検出できなくなる システムが自動で自己修復できなくなる システムが正確に動作しなくなる None 110. プーリング層を使用せずに、同様の効果を得るためにはどのような手法がありますか？ ドロップアウト層の追加 畳み込み層のストライドを大きくする 重み減衰を適用する 活性化関数の変更 None 111. AI技術の発展に伴い、特許の「進歩性」を証明するための新しい課題とは何ですか？ AI技術が急速に進化するため、既存技術との違いを明確にすることが難しくなっている AI技術は常に特許の対象とならないため AI技術は特許法の枠外であるため AI技術は特許を取得する際に商業的利用が難しいため None 112. 音声認識において、Transformerモデルを用いることで従来のRNNベースのモデルと比較して得られる主な利点は何ですか？ 時系列データの並列処理が可能になる モデルサイズが小さくなる ノイズの影響を完全に除去できる 訓練データが少なくても高精度を保てる None 113. 次のうち、探索アルゴリズムとして正しいものはどれか。 データの分類やクラスタリングを行うアルゴリズム 目的に最適な経路や解を見つけるために、状態空間を調べるアルゴリズム 深層学習モデルの訓練に使用するアルゴリズム 強化学習で使われる報酬システムを最適化するアルゴリズム None 114. 「ε-greedy法」とは何ですか？ 探索と活用のバランスをとるための行動選択手法 環境をリセットする手法 学習率を調整するアルゴリズム 報酬を増やすための手法 None 115. エキスパートシステムにおける「ブラックボックス」方式の問題点として適切なのはどれか？ 推論過程がユーザーに対して不透明になる 知識ベースの構築が困難になる 推論結果がすぐに提供される すべての知識が一度に処理される None 116. 特許の有効期間は一般的にどれくらいですか？ 出願日から10年 出願日から20年 出願日から50年 出願日から30年 None 117. 音声処理で使われる「スペクトログラム」は何を表しますか？ 音の周波数成分を時間ごとに可視化したもの 音声の波形データ ノイズ除去の手法 音声データの正規化手法 None 118. 推論エンジンにおいて「前向き推論」が適しているタスクは次のうちどれですか？ ゴールが明確であり、そのゴールに至るための条件を調べるタスク 与えられた初期データから可能な結論を導くタスク 結論の正しさを検証するタスク 与えられたルールセットを簡略化するタスク None 119. AIシステムのセキュリティリスクとして、「モデルインバージョン攻撃」とは何を指しますか？ AIモデルを逆向きに運用する攻撃 AIモデルに入力されたデータから個人情報を復元する攻撃 AIモデルの性能を意図的に低下させる攻撃 AIモデルを完全に破壊する攻撃 None 120. 自動音声認識（ASR）システムの基本的なステップとして、次のどれが正しいですか？ 音声入力 → 波形分析 → 結果の出力 → 言語モデル 音声入力 → ノイズ除去 → 結果の出力 音声入力 → 音声特徴抽出 → 言語モデル → 結果の出力 音声入力 → 正規化 → 結果の出力 None 121. 平均プーリング（Average Pooling）ではどのような計算を行いますか？ プール領域内の最大値を取る プール領域内の平均値を取る プール領域内の最小値を取る プール領域内の和を取る None 122. 「割引率（Discount Factor）」が強化学習で果たす役割は何ですか？ 将来の報酬に対する現在の価値を調整する エージェントの行動頻度を調整する 環境の状態をリセットする Q関数の更新頻度を減少させる None 123. 次のアルゴリズムの中で、教師なし学習に分類されるものはどれか？ 主成分分析（PCA） ロジスティック回帰 決定木 勾配ブースティング None 124. インスタンス正規化（Instance Normalization）が、画像スタイル変換タスクに適している理由はどれですか？ バッチ全体の統計情報を利用するため 各インスタンスごとに独立した統計情報を利用するため 特徴マップ全体を正規化するため 各ピクセルごとに正規化を適用するため None 125. 機械学習における「ハイパーパラメータ」とは何か？ 学習アルゴリズムが自動的に調整するパラメータ モデルの学習前に手動で設定されるパラメータ データセットのラベルに関連するパラメータ モデルが訓練中に動的に調整するパラメータ None 126. AIにおける「敵対的攻撃（Adversarial Attack）」とは何を指しますか？ AIシステムの処理速度を高める技術 AIシステムの物理的破壊 AIシステムの更新プロセス AIモデルに意図的な誤情報を与え、誤った予測や判断をさせる攻撃 None 127. プーリング層で「サブサンプリング（Subsampling）」を行う主な目的として適切なものはどれですか？ 入力データの次元を増加させるため 特徴マップの解像度を下げ、計算負荷を軽減するため 入力データをフィルタリングするため データの空間的な分布を均一化するため None 128. Q学習において、学習の目標は何ですか？ 状態遷移確率を計算する 最適なQ関数を学習し、報酬を最大化する 学習率を最小化する 報酬を無限大にする None 129. バッチ正規化における「ガンマ（γ）」と「ベータ（β）」の役割は何ですか？ 勾配の更新を調整する 正規化後の出力を再スケーリング、再シフトする ニューラルネットワークの深さを調整する 学習率を調整する None 130. 強化学習の「経験再生（Experience Replay）」の目的は何ですか？ エージェントが現在の行動に過去の結果を適用する エージェントのメモリをリセットする 過去の経験をランダムにリプレイし、学習の効率を高める 報酬を倍増させる None 131. AIシステムに対して「分散型攻撃」が行われた場合、どのようなリスクが発生しますか？ システムが物理的に破壊される システムが他のAIシステムを攻撃する システムが複数の異なるポイントから攻撃され、全体の動作が停止する システムがデータを削除する None 132. ルールベースのエキスパートシステムで、知識が蓄積される場所はどこか？ データベース 推論エンジン 知識ベース ユーザーインターフェース None 133. AIが「プロセスの公平性」を確保するために行うべき最も重要な取り組みは何ですか？ アルゴリズムがすべての結果を均一に提供すること 特定のグループを排除する結果を生成すること 意思決定プロセスの透明性を確保し、基準を明確化すること ユーザーからのフィードバックを完全に排除すること None 134. 知識表現における「述語論理」とは何を意味するか？ 自然言語の文を解析するためのアルゴリズム オブジェクトの関係を表現するための論理体系 データベース管理のための理論 ルールベースシステムの基礎となるモデル None 135. ELU（Exponential Linear Unit）の特徴として適切なのはどれですか？ 出力が負の場合、ゼロに固定される 負の値に対してスムーズな勾配を提供する 勾配消失問題を完全に防ぐ 出力範囲が0から1に限定される None 136. AIが「公平性」を持っているかどうかを評価するために、何が重要ですか？ AIの結果が特定の集団や個人に偏らず、全体として平等であることを評価すること AIが常に正確な結果を提供すること AIの開発者がアルゴリズムを公開すること AIが高速に動作すること None 137. AIシステムが敵対的攻撃に耐性を持つためには、どのような設計が必要ですか？ 敵対的サンプルを用いたトレーニングを行い、AIの堅牢性を向上させる AIシステムの完全なブラックボックス化を進める 全てのトレーニングデータを公開する 敵対的攻撃を無視してシステムを稼働させる None 138. AI技術の特許権を企業間で共有する場合に生じる課題として適切なのはどれですか？ 特許権の保護期間が短縮される 共有者間での権利行使が制限される場合がある 特許のライセンス供与が認められない 特許の利用が特定の地域に限定される None 139. バッチ正規化を使用することで、学習率を大きく設定できる理由は次のうちどれですか？ 勾配がゼロになるのを防ぐため 重みの更新を制限するため 各層の入力データをシャッフルするため 勾配のスケールが一定に保たれるため None 140. ストライドを大きく設定したプーリング層の影響はどれですか？ より多くの特徴が保存される モデルの表現力が増加する 次元削減が進み、情報の圧縮が強化される 学習率が低下する None 141. プーリング層のカーネルサイズとは何ですか？ フィルターの移動幅 学習率の設定 勾配の計算方法 プール領域のサイズ None 142. ベイズネットワークの推論における役割として、正しいものはどれか。 データのクラスタリングに使用する 変数間の依存関係を表し、確率に基づいて推論を行う 変数の因果関係を無視して、ランダムな推論を行う 強化学習のための報酬関数を設計する None 143. プーリング層が過剰適合を防ぐ理由として正しいのはどれですか？ モデルのパラメータ数を増加させるから データの次元を削減し、訓練データへの過度なフィットを防ぐから ニューラルネットワークの学習速度を速めるから 過剰適合には影響しない None 144. 特許法における「専用実施権」とは何ですか？ 特許権者が特定の第三者に発明を実施させるための独占的権利 特許を自由に販売する権利 特許出願を取り下げる権利 特許の技術内容を公開する権利 None 145. 音声処理における「LSTM」が有効な理由は何ですか？ 音声データの圧縮に適しているため 音声データの周波数成分を分析するため 訓練時間を短縮できるため 音声データの長期的な依存関係を捉えることができるため None 146. プーリング層で生じる情報の損失に関して、どのような影響がありますか？ 一部の情報が失われるが、重要な特徴は保持される プーリング層は情報損失を避ける 全ての情報が保持される 情報損失は発生せず、情報が増加する None 147. 深層強化学習で用いられる「ターゲットネットワーク」とは何ですか？ エージェントの行動を評価するためのネットワーク 報酬の割引率を計算するネットワーク ノイズを除去するためのネットワーク 学習を安定させるために使用されるネットワーク None 148. 深層強化学習で用いられる「ディープQネットワーク（DQN）」とは何ですか？ 環境をシミュレートするモデル 報酬の最適化アルゴリズム Q学習をディープニューラルネットワークで実装したモデル 強化学習で使用する正則化手法 None 149. AI技術に関連する「特許請求の範囲」を明確にする目的は何ですか？ 特許の内容を秘密に保つため 特許出願の際に、審査官の負担を軽減するため 発明の権利範囲を具体的に定め、他者の侵害を防ぐため 出願者が特許権を他者に譲渡するため None 150. 機械学習モデルの評価に使用される「F1スコア」は何を表すか？ モデルの正確性（Accuracy）を評価する指標 精度（Precision）と再現率（Recall）の調和平均 誤分類の割合を示す指標 回帰問題における誤差の平均 None 151. 特許出願に関して、出願後に行う「特許請求の範囲」とは何を示しますか？ 発明の技術的範囲を定義し、特許として保護される部分 特許の公開範囲 特許権の譲渡範囲 特許庁への申請書の範囲 None 152. 次のうち、エキスパートシステムの開発における「知識獲得」の主な課題はどれか？ 必要なデータを効率的に収集すること 専門家の知識を形式化し、システムに組み込むこと データベースの効率的な設計 ルールを自動生成すること None 153. 特許を取得するために必要な要件に該当しないものはどれですか？ 新規性 進歩性 産業上の利用可能性 登録商標 None 154. 医療分野で使用されるAIシステムにおいて、「データトレーサビリティ」が特に重要視される理由は何ですか？ AIシステムが全てのデータを破棄するため 診断や治療計画の過程を追跡可能にすることで、エラー発生時の原因特定が容易になるため 患者のプライバシーを完全に無視するため AIシステムが自己判断で全てのデータを変更するため None 155. 音声処理で使用されるトランスフォーマーモデルの利点は何ですか？ 音声データを圧縮する 音声データを分類する 長距離の依存関係を効率的に処理できる ノイズを除去する None 156. エキスパートシステムにおける「ルールベース」と「ケースベース」の違いは何か？ ケースベースは過去の事例を参照する ルールベースは定量データを扱う ルールベースは過去の事例を参照する ケースベースは推論ルールを使う None 157. 次のゲームのうち、完全情報ゲームとして分類されるものはどれか。 ポーカー 麻雀 囲碁 ブラックジャック None 158. 音声認識システムの開発において、ディープラーニングモデルの入力として頻繁に利用される「MFCC」以外の音声特徴量はどれですか？ ピッチ（Pitch） メルフィルターバンク（Mel Filter Bank） 振幅スペクトル（Amplitude Spectrum） 全て None 159. 次のうち、貪欲法の特徴として正しいものはどれか。 未来のすべての選択肢を考慮して最適解を見つける 解を得るために全ての可能な選択肢を試す 最適解を保証しながら効率的に探索を行う 各ステップで最も利益が大きい選択肢を選び続ける None 160. エキスパートシステムにおける「メタ知識」とは何か？ 推論の方法や、知識の使い方に関する知識 推論に必要な基本的な知識 知識ベースに格納された事実の集まり 自然言語で表現された知識 None Time's up
