G検定～模擬試験②～ 2024年12月6日2024年12月6日 ailearn 1. 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 2. 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 3. 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 4. 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 5. 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 6. AIシステムが公平に機能するために必要な「説明可能性（エクスプレイナビリティ）」とは何ですか？ AIが自動で全てを説明すること AIが全てのタスクを迅速に処理すること AIのアルゴリズムを完全に公開すること AIシステムの意思決定プロセスが理解できるように説明されること None 7. 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 8. 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 9. AIシステムが医療分野で使用される際、患者の人種によって診断結果に違いが生じる場合、その原因として考えられるのは何ですか？ 医療データに人種ごとのバイアスが含まれている AIシステムが常に正確に動作していない AIがすべての患者に同じ治療を提供するため AIが適切なアルゴリズムを使用していないため None 10. グローバルプーリング層が用いられる場面として適切なものはどれですか？ 中間層での特徴抽出 最終的なクラスラベルの出力前 畳み込み層の前処理 活性化関数の適用後 None 11. 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 12. 「勾配ブースティング」の特徴はどれか？ 各モデルが独立して学習し、最終的な予測を多数決で決定する 教師なし学習であり、ラベルのないデータを扱う 各モデルが前のモデルの誤差を修正しながら学習を進める モデルの重みを自動的に初期化する None 13. 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 14. 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 15. 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 16. 最大プーリング（Max Pooling）の動作は次のどれですか？ プール領域内の全ての値の和を取る プール領域内の最大値を取る プール領域内の最小値を取る プール領域内の平均値を取る None 17. 知識ベースシステムにおいて、説明可能なAI（XAI）が求められる理由として正しいものはどれか？ システムの推論速度を向上させるため システムが使用する知識を増やすため ユーザーがシステムの推論過程を理解できるようにするため システムの複雑さを減らすため None 18. 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 19. 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 20. 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 21. 強化学習において「Q-learning」の目的は何か？ ラベル付きデータを使ってモデルを訓練する データをクラスタリングする 最適な行動を選択するために報酬を最大化する 次元削減を行う None 22. 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 23. AIのセキュリティに関するリスクとして「データポイズニング」とは何ですか？ AIモデルがランダムに動作すること AIに与えるデータを意図的に改ざんし、モデルの性能を低下させる攻撃 AIが誤ってデータを削除すること AIがデータを正確に処理できなくなること None 24. 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 25. 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 26. 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 27. 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 28. 機械学習において、「特徴量エンジニアリング」の目的として最も適切なものはどれですか？ データのノイズを完全に除去する モデルの学習時間を短縮する モデルの性能を向上させるため、重要な情報を抽出する ハイパーパラメータチューニングを自動化する None 29. 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 30. 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 31. ReLUとSwishを比較した際に、Swishが持つ利点として正しいのはどれですか？ 滑らかな非線形性により、より高い精度が得られる場合がある 負の入力に対する勾配が一定である 出力が確率分布として解釈可能である 学習率を自動的に調整する None 32. 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 33. 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 34. ディープラーニングにおいて、活性化関数を適切に選択しない場合、どのような問題が発生しますか？ ニューラルネットワークの構造が崩れる 勾配消失や勾配爆発が起こり、学習が進まなくなる モデルの出力がランダムになる 訓練データが正しくない結果を生む None 35. 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 36. 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 37. 活性化関数としてPReLU（Parametric ReLU）がLeaky ReLUよりも優れている理由は何ですか？ 勾配消失問題を完全に防ぐ 負のスロープを学習可能にするため、適応性が高い 出力をゼロに制限する 計算コストを大幅に削減する None 38. 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 39. 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 40. バッチ正規化のトレーニング時と推論時の挙動の違いは何ですか？ トレーニング時は正規化されず、推論時にのみ正規化される トレーニング時はガンマとベータが学習され、推論時には固定される トレーニング時はミニバッチ単位で正規化され、推論時は全データに基づく 推論時にはバッチ正規化層が無効化される None 41. シグモイド関数の主な欠点は何ですか？ 出力が0か1しかない 計算速度が遅い 勾配消失問題が発生しやすい 勾配爆発問題が発生しやすい None 42. AIシステムの安全性とセキュリティを向上させるために、「レッドチーミング（Red Teaming）」とは何を指しますか？ AIシステムの正常な動作をモニタリングする手法 AIシステムが自動でセキュリティ更新を行うプロセス AIシステムのパフォーマンスを最適化する手法 セキュリティ専門家が攻撃者の視点でAIシステムに対する脆弱性をテストする手法 None 43. 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 44. 音声処理における「自己回帰モデル」とは何ですか？ 音声信号をランダムに生成するモデル ノイズを除去するためのモデル 音声信号をクラスに分類するモデル 音声信号を過去の値に基づいて予測するモデル None 45. 活性化関数の役割は何ですか？ モデルの学習率を調整する ニューラルネットワークに非線形性を導入する ニューラルネットワークの重みを更新する モデルの出力を制御する None 46. 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 47. 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 48. 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 49. 正規化層の使用が特に重要となるのはどのようなモデルですか？ 深層ニューラルネットワーク 線形回帰モデル サポートベクターマシン ロジスティック回帰モデル None 50. Softmax関数は、どのようなタスクで最もよく使用されますか？ 回帰問題 多クラス分類問題の出力層 強化学習の報酬計算 時系列データの前処理 None 51. K-meansクラスタリングにおいて、「エルボー法」が使用される主な理由は何ですか？ クラスタの境界を可視化するため クラスタの数を最適化するため 計算速度を向上させるため クラスタ間の重複を解消するため None 52. 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 53. AI技術の特許出願において、アルゴリズムそのものが特許として認められるためには、どのような工夫が必要ですか？ アルゴリズムを単純な形で記載する アルゴリズムの具体的な応用や効果を明確に記載する 数学的な理論に焦点を当てる 特許請求範囲を広く設定する None 54. バッチ正規化が勾配消失問題に与える影響は何ですか？ 勾配消失問題を完全に防ぐ 勾配の安定性を保ち、勾配消失問題を軽減する 勾配消失問題を助長する 勾配を拡大させて、問題を解決する None 55. 機械学習における「バギング」とは何か？ データの特徴量を削減する手法 モデルの重みを調整する手法 複数のモデルを並行して訓練し、それぞれの予測を平均することで精度を向上させる手法 過学習を防ぐためにデータをシャッフルする手法 None 56. AIシステムが「アウトカムの公平性」を欠いている場合、どのような対応が必要ですか？ システムの結果を分析し、不公平な影響を是正する 結果を固定してすべてのユーザーに提供する システムのデータを完全に削除する 不公平な結果をそのまま維持する None 57. プーリング層の主な目的は何ですか？ データの次元を削減すること 勾配消失を防ぐこと 特徴量を増加させること 重みを学習すること None 58. 次のうち、幅優先探索の特徴として正しいものはどれか。 ゴール状態に最も近いノードから探索を始める 最も深いレベルのノードから探索を開始する 木構造やグラフ構造を浅いレベルから順番に探索する ゴールが見つかるまでランダムにノードを探索する None 59. 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 60. 強化学習における「方策オフライン学習」と「方策オンライン学習」の違いは何ですか？ オフライン学習では既存のデータを用いて学習し、オンライン学習ではリアルタイムでデータを収集しながら学習する オフライン学習では報酬を即座に受け取り、オンライン学習では報酬を遅延させる オフライン学習では行動が確率的であり、オンライン学習では行動が決定的である オフライン学習はノイズを除去するが、オンライン学習はノイズを含む None 61. 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 62. 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 63. 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 64. 最大プーリングを使用することで得られる主な利点は何ですか？ 局所的な特徴が強調される 全ての情報が均等に反映される モデルの計算負荷が増加する 勾配消失が防がれる None 65. バッチ正規化が過学習に対して有効でない場合に使用する正規化手法は何ですか？ グループ正規化 ドロップアウト レイヤーノーマライゼーション 重みの初期化 None 66. 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 67. 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 68. プーリング層が必要ない場合はどのような状況ですか？ 特徴マップの次元を削減したくない場合 高精度なクラス分類を行う場合 出力層に使用する場合 学習速度を速めたい場合 None 69. ヒューリスティック検索の利点として最も適切なものはどれか。 常に最適解を見つけることができる ランダムな探索で解を見つける メモリを一切使用せずに探索ができる より効率的に解を見つけるため、探索のコストを削減できる None 70. 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 71. 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 72. 音声翻訳システムでは、ディープラーニングを用いることで従来と比較してどのような利点があるか。次の選択肢から最も適切なものを選んでください。 音声認識、翻訳、音声合成をエンドツーエンドで実現できる 翻訳結果の生成速度が大幅に向上する 翻訳精度が完全に100%になる 翻訳中の文法的誤りが完全に解消される None 73. 「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 74. 「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 75. 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 76. 次のうち、ミニマックス法の目的として最も適切なものはどれか。 可能な限り最も大きな報酬を獲得する 相手が最も不利になるように自分の行動を最適化する 最も小さなコストで解を見つける 相手の最善の行動を考慮しつつ、自分の最善の行動を選ぶ None 77. 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 78. グループ正規化（Group Normalization）の利点は何ですか？ 正規化の速度を高速化すること 正則化の効果を増加させること バッチ学習の効率を上げること バッチサイズに依存しないこと None 79. 勾配消失問題を軽減するために一般的に使用される活性化関数はどれですか？ シグモイド tanh ReLU 恒等関数 None 80. モンテカルロ木探索（MCTS）が特に有効である問題の特徴として正しいものはどれですか？ 状態空間が有限であり、すべての経路を探索可能な場合 問題が最短経路探索に限定される場合 状態空間が固定され、変化しない場合 環境が確率的であり、完全な情報が得られない場合 None 81. 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 82. 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 83. 音声認識モデルでのデータ拡張技術として、一般的に使用されるものはどれですか？ フィルターサイズの増加 ピッチシフトやタイムストレッチ データの正規化 フォン数の削減 None 84. 特許法における「発明」とは何ですか？ 単なる新しいアイデア 自然法則を利用した技術的思想の創作 物理的に存在する物体のみ 知識の集約 None 85. グラフ探索において、サイクル（循環）が存在する場合にどのように処理するか、最も適切な方法はどれか。 サイクルを無視して探索を続ける サイクルを検出したら、即座に探索を中断する サイクルを検出したら、そのノードを再度訪問しないようにする サイクルを検出することは不可能である None 86. 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 87. 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 88. 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 89. AIシステムにおける「セキュリティインシデント」の報告が遅れることで、どのようなリスクが増大しますか？ システムの効率が低下する 不正アクセスや攻撃が継続され、被害が拡大するリスク システムが自動的に修復される システムのアップデートが遅れる None 90. 音声処理における「シーケンス・トゥ・シーケンスモデル（Seq2Seq）」はどのように使用されますか？ 音声認識において音声をテキストに変換するため 音声の波形を画像に変換するため 音声信号を圧縮するため ノイズキャンセリングのため None 91. 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 92. 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 93. 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 94. 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 95. 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 96. 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 97. 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 98. AIシステムのセキュリティリスクとして「攻撃対象領域」とは何を指しますか？ AIシステムが物理的に設置される場所 AIシステムの脆弱性を悪用される可能性がある領域 AIが使用するデータの種類 AIが実行される時間 None 99. エキスパートシステムで使用される推論方式の一つ「確率的推論」とは何か？ 必ず正しい結果を返す推論方式 不確実な情報に対して確率を使って推論する方式 ルールに基づいた確実な推論方式 無作為な推論を行う方式 None 100. 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 101. 「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 102. AIによる学校の成績評価システムで特定の学生グループが過小評価されている場合、考えられるバイアスの要因は何ですか？ 学生グループに特化したデータが不足している AIがすべてのデータを均等に処理していない 学校がAIシステムを更新していない 学生がデータを提供していない None 103. Layer Normalization（層正規化）が自然言語処理（NLP）タスクにおいて効果的な理由として最も適切なものはどれですか？ シーケンス全体の統計情報を利用するため 各層の出力を独立して正規化するため 時間ステップ間の依存関係を考慮するため ミニバッチに依存せず正規化が可能なため None 104. 「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 105. 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 106. エキスパートシステムの要素でないものはどれか？ 知識ベース 推論エンジン センサーデータ収集システム ユーザーインターフェース None 107. エキスパートシステムの開発において、知識の欠如や矛盾が発生した場合、それを解決するために使用される手法として適切なのはどれですか？ グリッドサーチ 知識獲得のための反復プロセス オントロジーの自動生成 データ拡張 None 108. 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 109. 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 110. 知識表現において、オントロジーとは何か？ データベースの構造 自然言語処理の技術 ニューラルネットワークの一種 特定の分野における概念とその関係を定義するもの None 111. 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 112. 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 113. 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 114. プーリング層で使用される「ストライド」の設定を大きくすると、どのような影響がありますか？ 出力特徴マップのサイズが大きくなる モデルが特徴を過学習する 特徴マップの縮小率が増加する ノイズが強調される None 115. 「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 116. 「AIの偏り（バイアス）」が発生する要因として適切なものはどれですか？ データの多様性が確保されていない場合 AIがすべてのデータを自動的に選別する場合 AIが常に人間の判断を上回る場合 AIが訓練データを使用しない場合 None 117. 「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 118. 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 119. 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 120. エキスパートシステムが現代AI（例: ディープラーニング）と統合される際に直面する主な課題はどれですか？ ユーザインターフェースの設計 推論エンジンのアルゴリズムの選択 データ駆動型とルール駆動型の統合の複雑さ 知識ベースの構造化 None 121. Adaptive Pooling（適応プーリング）が他のプーリング手法と異なる利点として適切なのはどれですか？ 出力サイズを柔軟に設定できる 入力特徴マップ全体を1つの値に縮小する カーネルサイズを動的に変更する 特徴マップの精度を自動的に高める None 122. 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 123. 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 124. AI技術の特許戦略における「パテントプール」の利点は何ですか？ 特許出願を不要にすること 特許を無効にするための手段 特許庁に対して異議申し立てを行うこと 複数の企業が特許を共有し、互いに技術を活用できる None 125. 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 126. 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 127. AIのセキュリティにおける「動的リスク評価」が重要とされる理由は何ですか？ AIシステムの性能を常に最大化するため すべてのリスクを無視して動作を優先するため リアルタイムで変化するリスクに対応するため 静的なリスクのみを評価するため None 128. 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 129. 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 130. 「Leaky ReLU」の特長は何ですか？ すべての入力を1にクリッピングする 勾配を自動調整する 負の入力にもわずかな勾配を持たせる 勾配をリセットする None 131. 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 132. 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 133. 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 134. 深層強化学習（Deep Reinforcement Learning, DRL）における「エージェント」とは何を指しますか？ 環境内で行動を決定する主体 環境の状態を記録する装置 報酬を計算するアルゴリズム データの前処理を行うシステム None 135. 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 136. 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 137. 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 138. 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 139. AIのバイアスを防ぐために、どのような対策が必要ですか？ AIにできるだけ多くのデータを与える 多様なデータを使用し、AIモデルのトレーニングにおいて公平性を評価する 人間の判断を完全に排除する AIモデルがデータを自動で選別する None 140. 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 141. 畳み込み層とプーリング層を組み合わせる主な理由は何ですか？ モデルの精度を向上させるため 活性化関数の効果を最大化するため 重みの更新を効率化するため 次元削減と特徴抽出を同時に行うため None 142. AIシステムにおいて「個人間の公平性」を確保するための主な取り組みは何ですか？ 全てのデータを匿名化すること システムが結果を均一化すること 個々のユーザーを基に結果を調整すること ユーザーの意見を排除すること None 143. 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 144. バッチ正規化層が特に効果を発揮するのはどのような場面ですか？ 学習率が高い場合 バッチサイズが非常に小さい場合 過剰適合が問題となる場合 モデルが過学習する場合 None 145. 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 146. 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 147. 次のうち「回帰問題」に適したアルゴリズムはどれか？ ロジスティック回帰 K-最近傍法（K-NN） 線形回帰 Naive Bayes None 148. 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 149. 「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 150. 次のうち、ビーム探索の特徴として最も適切なものはどれか。 最適解を常に保証する 幅優先探索に似ているが、探索の幅を限定する 木の全てのノードを必ず探索する 深さ優先探索を効率化した手法である None 151. 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 152. 音声認識におけるデータの「音声合成攻撃」とは何ですか？ 音声信号を無効化する攻撃 音声データを改ざんする攻撃 音声信号を圧縮する攻撃 攻撃者が合成音声を使用してシステムを誤認識させる攻撃 None 153. ReLU関数の一般的な問題点は何ですか？ 勾配消失問題 出力が0か1に固定される 勾配爆発問題 死んだニューロン問題 None 154. 次のうち、モンテカルロ木探索（MCTS）の特徴として正しいものはどれか。 各ステップで最も確実に勝利する手を選ぶ ランダムなシミュレーションを行い、統計的に最適な手を探索する 全ての可能な手を探索して最適解を見つける 常に最短経路を見つけるための探索手法である None 155. AI関連の特許出願において、「特許協力条約（PCT）」を利用する利点は何ですか？ すべての国で自動的に特許が認められる 特許取得の費用を削減できる 一度の出願で複数の国に特許出願ができる 審査を省略することができる None 156. 特許出願後に行われる「審査請求」の意義は何ですか？ 出願された発明が特許として認められるかどうかを審査すること 出願内容を変更するための手続き 特許権を他者に譲渡するための手続き 特許出願を取り下げるための手続き None 157. 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 158. 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 159. 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 160. 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 Time's up
