G検定～模擬試験③～ 2024年12月6日 ailearn 1. スキップ結合の主な目的は何ですか？ 勾配消失問題を解消すること モデルのパラメータ数を増やすこと ニューラルネットワークの出力を増加させること 学習率を調整すること None 2. 教師あり学習において、正則化（Regularization）の目的は何ですか？ モデルの訓練を高速化するため 過学習を防ぎ、モデルの汎化能力を高めるため データを増加させるため モデルの精度を最大化するため None 3. クロスエントロピー誤差はどのような場合に使用されますか？ 回帰問題 分類問題 強化学習問題 次元削減問題 None 4. ディープラーニングのモデルにおいて「エポック」とは何か？ モデルがすべての訓練データを1回処理すること モデルが学習するための初期化パラメータ データの前処理を行う段階 モデルが評価データを処理する回数 None 5. 不正競争防止法における「営業秘密」の定義に該当しないものはどれですか？ 適切に管理されていない公開されている情報 公に知られておらず、管理されている有用な情報 営業上の利益を生む情報 技術的または営業上の情報 None 6. 営業秘密を保護するために企業が講じるべき適切な措置は何ですか？ 営業秘密を特許出願する 営業秘密に対するアクセス制限や秘密保持契約を従業員に対して徹底する 営業秘密を公開する 営業秘密を競合他社と共有する None 7. 次元削減の手法として、非線形な構造を保持するものはどれですか？ 主成分分析（PCA） t-SNE K-means 独立成分分析（ICA） None 8. Bidirectional RNNが適用される主なタスクはどれですか？ 画像分類 機械翻訳 強化学習 数値回帰 None 9. AI関連のソフトウェアに対して、不正競争防止法の「営業秘密」として保護されるためにはどのような措置が必要ですか？ ソフトウェアのソースコードが適切に管理され、外部に漏れないようにすること ソフトウェアを公開すること ソフトウェアを他社と共有すること ソフトウェアを商業的に利用すること None 10. AIシステムが公共の意思決定に用いられる場合、透明性が重要な理由は何ですか？ AIがすべてのデータを収集するため AIが自動で判断を行うため 公共の意思決定において、AIの判断がどのように行われたのかを市民が理解できることで、信頼性と公平性が確保されるため AIがデータを削除するため None 11. t-SNEやPCAを使った次元削減後に、データを視覚化し、クラスタの傾向が見られたとします。この視覚化結果を基にさらに分析を深めるために有効な方法はどれですか？ 非負行列因子分解を行う K-meansクラスタリングでグループを明確に分ける エルボー法を適用して最適な次元数を見つける ランダムフォレストを適用して分類する None 12. Huber誤差の主な特徴はどれですか？ 小さな誤差に対して二乗誤差、大きな誤差に対して絶対誤差を適用する 外れ値に対して非常に敏感である 二項分類に使用される 分類問題で使用される None 13. ソフトマックス関数と一緒に使用される代表的な誤差関数はどれですか？ 平均二乗誤差（MSE） 二項クロスエントロピー カテゴリカルクロスエントロピー Huber誤差 None 14. AIの悪用において「アルゴリズムのブラックボックス化」がもたらす主なリスクとして適切なものを選んでください。 AIの性能が向上する 判断プロセスが不明瞭になり、不公平な結果が生じる アルゴリズムが全て公開される AIが独自に問題を解決する None 15. AIの透明性が特に重要視される分野として適切なのはどれですか？ エンターテインメント分野 ゲーム開発分野 自動化されたメッセージ送信システム 医療や法的判断など、人命や権利に影響を与える分野 None 16. 転移学習において、なぜ初期の層を「凍結（Freeze）」することが推奨されることが多いのですか？ 学習を安定させるため パラメータ数を増やすため 重みの初期化を行うため モデルの学習速度を下げるため None 17. AIによるフェイクニュースの自動生成は、どのように悪影響を与える可能性がありますか？ AIが虚偽の情報を大量に生成し、誤った世論を形成する AIがニュースを効率的に整理する AIが正しいニュースを優先的に配信する AIがニュースを削除する None 18. RNNが非常に長いシーケンスを扱う際に発生する勾配消失問題を改善するためには、何が効果的ですか？ LSTMやGRUを使用する 学習率を下げる バッチサイズを減らす 活性化関数を変更する None 19. ファインチューニングにおいて「学習率」を小さく設定する理由は何ですか？ モデルの訓練時間を短縮するため 学習が不安定になるのを防ぐため モデルの精度を向上させるため 訓練データを増やすため None 20. あるデータセットに対して異常検知を行う際、データ内のほとんどが正常であり、異常データは非常に少ない場合、適切なアプローチはどれですか？ K-meansクラスタリングを適用する 主成分分析を行う 階層的クラスタリングを行う Isolation Forestを適用する None 21. 「DCGAN」はどのようなモデルですか？ GANに畳み込みニューラルネットワーク（CNN）を導入したモデル GANにリカレントニューラルネットワークを組み合わせたモデル GANに強化学習を組み合わせたモデル GANにトランスフォーマーを導入したモデル None 22. 次のうち、教師なし学習に分類される手法はどれですか？ K-meansクラスタリング ロジスティック回帰 サポートベクターマシン（SVM） ランダムフォレスト None 23. AIシステムにおける「透明性」とは何を指しますか？ AIがすべての決定を自動で行うこと AIの意思決定プロセスやアルゴリズムの動作が理解できる形で公開されること AIが常に最新の技術を使用すること AIがすべてのタスクを迅速に処理すること None 24. ディープラーニングにおいて「ハイパーパラメータチューニング」が必要な理由として最も適切なものはどれですか？ モデルの学習速度を向上させるため データの前処理を簡素化するため モデルの汎化性能を最適化するため 勾配爆発問題を防ぐため None 25. 転移学習において、「ソースタスク」と「ターゲットタスク」の相違が大きい場合に適用される技術として適切なものはどれですか？ ドメイン適応 ドロップアウト データ正規化 アンサンブル学習 None 26. 転移学習において、事前学習したモデルをそのまま使用するのではなく、ファインチューニングを行う理由は何ですか？ 訓練データを削減するため 新しいタスクに特化した特徴を学習するため モデルの速度を上げるため パラメータ数を増やすため None 27. スキップ結合を持つネットワークの例として最も適切なのはどれですか？ AlexNet LeNet VGGNet ResNet None 28. RNNが過剰適合を防ぐために使用される一般的な手法は何ですか？ バッチ正規化 アクティベーション関数の変更 勾配クリッピング ドロップアウト None 29. 教師あり学習において、モデルが訓練データでは高い精度を示すが、テストデータでは大きく精度が低下する場合、考えられる最も一般的な原因はどれですか？ モデルがオーバーフィットしている モデルがアンダーフィットしている データにラベルノイズが多い テストデータのサイズが小さい None 30. 大規模なデータセットで次元削減を行い、重要な特徴のみを残して分析したい場合、最適な次元削減手法はどれですか？ t-SNE K-meansクラスタリング エルボー法 主成分分析（PCA） None 31. データ生成に用いられる「VAE」とは何の略ですか？ Variable Algorithm Encoder Variational Algorithm Encoder Variational Autoencoder Variable Autoencoder None 32. 教師なし学習における「混合ガウスモデル（Gaussian Mixture Model; GMM）」は何に使われますか？ 確率的なクラスタリングを行うため 次元削減を行うため ラベル付きデータを分類するため 外れ値を検出するため None 33. AI関連技術の営業秘密を保護するため、企業が実施すべき具体的な措置として適切なのはどれですか？ 秘密保持契約（NDA）を締結し、アクセス制限を設ける 社内で情報を共有し、全従業員に公開する 営業秘密を記録せず、口頭で伝達する 競合他社と情報を共有する None 34. VAEの潜在空間で行われる「再パラメータ化トリック」の役割は何ですか？ データの次元削減を行うため データのノイズを除去するため 勾配ベースの最適化を可能にするため 生成データの精度を向上させるため None 35. AIが犯罪組織によって悪用されるリスクは何ですか？ AIが自動的に犯罪を防止する AIが常に正確なデータを提供する AIが犯罪者を特定する AIが犯罪の計画や実行を自動化し、効率化するリスクがある None 36. AIの「差別的なアルゴリズム設計」が問題となる理由は何ですか？ AIが自動でデータを削除するため AIがすべての人に同じ結果を提供するため AIが複雑なデータを処理できないため AIが特定の人種や性別に対して偏見を持つ判断を下す可能性があるため None 37. 教師あり学習において、「ロジスティック回帰」と「線形回帰」の主な違いはどれですか？ ロジスティック回帰は連続値を予測するが、線形回帰は分類を行う ロジスティック回帰は確率を出力し、線形回帰は実数を出力する ロジスティック回帰は非線形モデルであり、線形回帰は線形モデルである ロジスティック回帰は教師なし学習である None 38. AIの透明性に関して「倫理的AI」とは、どのようなAIシステムを指しますか？ AIが常に効率的に動作するシステム AIがデータを自動で削除するシステム AIが倫理的な基準に基づいて設計され、透明性を持って運用されるシステム AIがすべての判断を非公開にするシステム None 39. ファインチューニングを行う際、事前学習済みモデルの全層を解凍して再学習することが推奨される状況はどれですか？ ターゲットデータセットが非常に大規模な場合 ターゲットタスクが事前学習タスクと似ている場合 新しいタスクのデータが事前学習データと大きく異なる場合 計算リソースが制限されている場合 None 40. GANにおいて「生成モデル」の役割は何ですか？ データの真偽を判断する 新しいデータを生成する 学習データを整理する パラメータの最適化を行う None 41. 転移学習でよく使われる「ベースモデル」とは何ですか？ 全ての層を固定したモデル 事前に大規模データで学習されたモデル 転移学習の後に学習を行うモデル 全ての重みがランダムな状態のモデル None 42. GANにおける「ミニバッチディスクリミネーション」は何を解決するための技術ですか？ 学習の速度を上げる モード崩壊の問題を軽減する ノイズを除去する データセットのサイズを増やす None 43. GANの訓練中に「勾配消失問題」が発生する主な原因は何ですか？ 識別モデルが生成モデルを圧倒するため 生成モデルのパラメータが多すぎるため データセットのサイズが不十分なため 学習率が高すぎるため None 44. 外れ値が多いデータセットでMSEを使用した場合のリスクは何ですか？ 学習が遅くなる モデルが正確にならない 外れ値に過剰適合する モデルの構造が複雑になる None 45. AIによる「敵対的生成ネットワーク（GAN）」がフェイクニュースの作成に悪用された場合、どのような影響が考えられますか？ AIが誤ってニュースを削除する AIが非常にリアルな虚偽情報を生成し、社会的混乱を引き起こす可能性がある AIがニュースを公開しない AIがニュースの信頼性を高める None 46. ファインチューニングを行う際に「凍結された層」を再び解凍して学習させるべき状況はどのような場合ですか？ モデルが過学習している場合 新しいデータセットが非常に小さい場合 学習率が高すぎる場合 新しいタスクが元のタスクと大きく異なる場合 None 47. 転移学習を用いたモデルにおいて「正則化」を導入する理由は何ですか？ 過学習を防ぐため モデルの学習速度を速めるため 出力層を訓練するため パラメータを削減するため None 48. 教師あり学習でアンサンブル学習を使用する際、「バギング（Bagging）」の主な目的はどれですか？ データの次元を削減する 学習速度を向上させる 外れ値の影響を増加させる 過学習を防ぎ、モデルのバリアンスを低下させる None 49. AIによる悪用を防ぐために必要な「倫理的ガバナンス」の役割は何ですか？ AIの開発を停止すること AIを常に最新にアップデートすること AIの開発・運用において、倫理的な基準やルールを設け、それに従って管理すること AIにすべての責任を負わせること None 50. 損失関数と誤差関数の違いは何ですか？ 誤差関数は1つのデータポイントに対する誤差を示す 損失関数は分類問題でのみ使われる 誤差関数はモデルのパラメータを更新するために使われる 損失関数は1つのデータポイントに対する誤差を示す None 51. スキップ結合を適用する際、出力の次元が異なる場合にはどのような工夫が必要ですか？ 入力を減少させる 1x1の畳み込みを使用して次元を揃える そのまま結合する 出力をリセットする None 52. 不正競争防止法において「損害賠償請求権」とは何ですか？ 他者の権利を無効にする権利 不正競争行為によって生じた損害について賠償を求める権利 競合他社の商品を使用する権利 営業秘密を不正に利用する権利 None 53. スキップ結合を持つネットワークで過剰適合を防ぐためには、どのような手法が有効ですか？ ドロップアウトを併用する 正則化を強化する データ拡張を使用する 全ての選択肢 None 54. スキップ結合を持つネットワークが性能を発揮しない可能性がある状況として適切なのはどれですか？ 入力データがランダムノイズである場合 モデルが浅い場合 学習率が高すぎる場合 出力層の次元が非常に大きい場合 None 55. 「Transformerモデル」で使用される「位置エンコーディング（Positional Encoding）」の主な役割はどれですか？ モデルの計算速度を向上させる シーケンス内のトークンの順序情報をモデルに提供する ネットワークの層数を増やす 過学習を防ぐ None 56. GANの改良版である「Progressive Growing of GANs」の主な特徴は何ですか？ 小さな画像サイズから始めて徐々に解像度を上げていく 学習率を動的に調整する 潜在空間のサイズを増加させる 判別モデルの層を削減する None 57. 次の中で、回帰問題のための教師あり学習モデルはどれですか？ サポートベクターマシン（SVM） 線形回帰 ナイーブベイズ K近傍法（KNN） None 58. 教師なし学習の代表的な手法である階層型クラスタリングでは、どのようにしてクラスタを形成しますか？ クラスタ数を指定してデータを分類 データ間の類似性に基づいて階層的にクラスタを構築する ラベルのないデータにラベルを付与 データを逐次的に分割 None 59. 「ResNet（Residual Network）」の主な特徴はどれか？ 勾配消失問題を解決するためにバッチ正規化を採用する 入力データを無視してランダムに処理を行う 小さなデータセットを使用して学習する ネットワークの層を深くする際に発生する学習の困難さを解決する None 60. 教師あり学習モデルを構築しているときに、訓練データが極端に不均衡な場合、最も有効なアプローチはどれですか？ データを削減してモデルの複雑さを制御する 非線形モデルに変更する クラスの重みを調整するか、サンプリングを行う グリッドサーチでハイパーパラメータを調整する None 61. AIが公共政策の立案に利用される際、透明性を確保する最も重要な理由として適切なものを選んでください。 政策立案プロセスを完全に秘匿するため AIの利用を制限するため 市民が政策の正当性を理解し、民主的プロセスを支持するため 公共政策に市民の意見を反映させないため None 62. AIが生成したデータセットに対する不正競争防止法上の保護を受けるための条件は何ですか？ データセットが営業秘密として管理されていること データセットが広く公開されていること データセットが物理的な形で存在していること データセットが著作権法で保護されていること None 63. ファインチューニングとは何ですか？ モデルの出力層のみを更新すること 全ての層の重みを再調整すること モデルの一部を再学習すること 訓練データを拡張すること None 64. AIが「ランサムウェア攻撃」に悪用された場合、どのような影響が考えられますか？ AIがデータを暗号化し、復旧のために身代金を要求する AIがデータを無期限に保存する AIがシステムを更新する AIがデータを削除する None 65. AI技術を用いた製品の模倣行為が発覚した場合、企業が取るべき初期対応は何ですか？ 模倣行為を容認する 模倣品の販売を支援する 競合他社に製品を提供する 差止請求と損害賠償請求の準備を行う None 66. 「ドロップアウト」はディープラーニングでどのような役割を果たすか？ 重みの初期化を行う 過学習を防ぐために、訓練中に一部のノードを無効化する 訓練データを拡張するために使用される 勾配降下法の精度を向上させる None 67. 「RNN（リカレントニューラルネットワーク）」の特徴はどれか？ 画像データの認識に特化したモデル 入力データをシャッフルして訓練する 入力データの前後の文脈を考慮して学習する 各層が相互に接続されていない None 68. 誤差関数の出力がゼロに近い場合、モデルにおいて何を示していますか？ モデルが過剰適合している モデルが高い精度で予測を行っている モデルが収束しない 損失関数が不適切である None 69. AI技術を利用した商品の模倣が不正競争防止法に違反する場合、模倣品に対する制裁措置はどれですか？ 模倣品の販売許可 模倣品の宣伝活動 模倣品の改良 模倣品の販売差止請求と損害賠償請求 None 70. LSTM（長短期記憶）の主な利点は何か？ 長期間にわたる依存関係を学習できる 勾配消失問題を引き起こす 入力データをランダムにシャッフルして学習する データの前処理を行う None 71. 教師あり学習の分類問題において、「F1スコア」が高い場合、何を示していますか？ 精度が非常に高いが、再現率が低い 再現率が非常に高いが、精度が低い 精度と再現率がバランス良く高い 正例と負例の比率が均等である None 72. GANの識別モデルが非常に強力である場合、生成モデルはどのような結果をもたらす可能性がありますか？ 過学習を引き起こす モード崩壊を引き起こす 無限にデータを生成する 学習が進まなくなる None 73. スキップ結合を持つモデルにおける「残差学習」の特徴は何ですか？ 各層で出力の和を取る 各層で出力と入力の差を学習する 各層で入力のみを学習する 各層で出力のみを学習する None 74. 不正競争防止法において「営業秘密」とは何ですか？ 企業が公表しているデータ 公に知られておらず、管理されている有用な情報 企業の利益に関係のない情報 企業の広告に関する情報 None 75. K-meansクラスタリングの収束が遅い場合、どのような対策が適切ですか？ クラスタ数を減らす データの標準化を省略する 初期化をランダムに行う回数を増やす 距離計算を省略する None 76. AI技術がプライバシー侵害に悪用されるケースとして、どれが当てはまりますか？ AIがユーザーの行動を追跡し、個人情報を無断で収集すること AIがデータの暗号化を行うこと AIがバグを修正すること AIが誤ったデータを提供すること None 77. ディープラーニングにおいて、誤差関数の最適化に主に使用される手法はどれですか？ ランダム探索 勾配降下法 モンテカルロ法 ニューラルネットワーク構造の最適化 None 78. AIの透明性が欠如している場合、特に司法分野で懸念されるリスクとして適切なものを選んでください。 判決の基準が不明瞭で公正性が疑われる 判決に一貫性が保たれる AIの使用により犯罪の発生率が増加する 判決の時間が大幅に短縮される None 79. RNNの「トラケリング問題」とは何ですか？ 過剰適合が発生する問題 出力が時間依存性を持つ問題 学習率の不安定さによる問題 時系列データの周期的な変動を捉えられない問題 None 80. 次のデータセットにおいて、どの誤差関数が最も適切ですか？ 特徴: 外れ値が多く含まれる回帰タスク 平均二乗誤差（MSE） 平均絶対誤差（MAE） クロスエントロピー損失 Huber損失 None 81. 回帰結合層（Recurrent Layer）とは何ですか？ 各層が独立して情報を処理する層 過去の出力を次の層にフィードバックする層 出力層の誤差を伝播する層 モデルの学習率を調整する層 None 82. 平均絶対誤差（MAE）はどのように計算されますか？ 予測値と実際の値の差を絶対値にして平均 予測値と実際の値の差を二乗して平均 予測値と実際の値の差を対数変換して平均 予測値と実際の値の差の平方根を取って平均 None 83. AIを用いた「無許可でのデータマイニング」が行われた場合、どのような法的リスクが考えられますか？ データが公開される AIがデータを暗号化する AIがデータを削除する 個人情報保護法やGDPRに違反し、罰金や訴訟のリスクがある None 84. GAN（生成対向ネットワーク）の学習中に、識別器（Discriminator）が過剰に強くなった場合、どのような問題が発生しますか？ 生成器が完全に収束する モデルが計算効率を失う 学習率が大幅に低下する 生成器が正しい分布を学習できなくなる None 85. LSTMとGRUの主な違いは何ですか？ LSTMにはゲートが3つあり、GRUには2つしかない LSTMは短期依存性に優れているが、GRUは長期依存性に優れている GRUはLSTMよりもパラメータが多い LSTMは計算が効率的で、GRUは計算が複雑である None 86. 大規模な高次元データセットに対して、次元削減を行った後にクラスタリングを実施したい場合、適切な順序はどれですか？ 次元削減を先に行い、次にクラスタリングを行う クラスタリングを先に行い、次に次元削減を行う 同時に次元削減とクラスタリングを行う 次元削減は不要で、クラスタリングのみを行う None 87. ディープラーニングにおいて、外れ値に強い誤差関数として知られるのはどれですか？ 平均二乗誤差（MSE） 二項クロスエントロピー 平均絶対誤差（MAE） カテゴリカルクロスエントロピー None 88. GDPR（一般データ保護規則）におけるAIの透明性に関する規定は何ですか？ ユーザーは自分のデータがどのようにAIによって処理されるかを知る権利がある AIシステムはすべての判断を公開する必要がある AIはすべてのデータを匿名化する必要がある AIは個人データを保存してはならない None 89. 生成モデルが「潜在変数」を使用する理由は何ですか？ データの圧縮効率を高めるため データの次元削減を行うため データ生成において多様なバリエーションを生み出すため 学習率を最適化するため None 90. AIシステムの透明性を高めるために、「ホワイトボックスモデル」の導入が推奨される理由は何ですか？ AIのアルゴリズムが完全に非公開になるため AIの内部の動作や意思決定プロセスを人間が理解できるように設計されているため AIがすべてのデータを削除するため AIが自動で判断を行うため None 91. スキップ結合を使うことで、ネットワークの性能が悪化する可能性がある状況はどれですか？ スキップ結合を多用しすぎた場合 活性化関数を間違えた場合 学習率が高すぎる場合 いずれも正しくない None 92. ディープラーニングにおける「オートエンコーダー（Autoencoder）」の目的はどれか？ データの次元削減や特徴量抽出を行う モデルの重みをランダムに初期化する データの分類を行う 時系列データを予測する None 93. 教師あり学習の過程で「学習データ」を使う理由として適切なものはどれですか？ モデルのパラメータを調整して、正しい予測ができるようにするため データの次元を削減するため モデルが過学習しないようにするため モデルの性能を評価するため None 94. ディープラーニングで使用される「ソフトマックス関数」の主な用途は何か？ 分類問題において、各クラスの確率を出力する 入力データの正規化を行う データの次元を削減する データをランダムにシャッフルする None 95. 教師あり学習における「バイアス・バリアンスのトレードオフ」とは何を指しますか？ 高バイアスモデルと高バリアンスモデルの選択肢のバランス 訓練データとテストデータの誤差の差 学習率と正則化係数のバランス モデルの複雑さと学習時間のバランス None 96. Huber損失が平均二乗誤差（MSE）と異なる点として正しいのはどれですか？ 小さな誤差にはMSEの特性を、大きな誤差にはMAEの特性を持つ 勾配消失問題を防ぐ 学習率の自動調整が可能 クラス不均衡問題を解決する None 97. 転移学習のモデルにおいて、事前学習した層を全て再学習することが推奨されるケースはどのような場合ですか？ 元のタスクと新しいタスクの特徴が大きく異なる場合 データセットが同じ場合 新しいタスクが非常に小さい場合 モデルが過学習している場合 None 98. ロジスティック回帰モデルを使ってスパムメールの分類を行っています。モデルの性能が不十分で、精度と再現率のバランスが悪い場合、どの対策が最も適切ですか？ 正則化の強度を調整する データを削減してモデルの訓練を高速化する 非線形なモデルに切り替える 階層クラスタリングを試す None 99. スキップ結合による勾配消失問題の軽減は、どのような原理に基づいていますか？ 勾配の計算回数を減少させる 勾配を直接次の層に伝える 出力層から入力層への逆伝播を省略する ネットワークの深さを増加させる None 100. データ生成モデルの評価指標として使用される「FIDスコア」とは何ですか？ データ生成の速度を評価する指標 モデルのパラメータ数を評価する指標 生成モデルの訓練時間を評価する指標 生成データと実データの類似度を測定する指標 None 101. 平均二乗誤差（MSE）はどのように計算されますか？ 予測値と実際の値の差を絶対値にして平均 予測値と実際の値の差を二乗して平均 予測値と実際の値の差を平均して二乗 予測値と実際の値の差のログを取って平均 None 102. リカレントニューラルネットワーク（RNN）がシーケンスデータの依存関係を学習する際に使用する「隠れ状態（Hidden State）」は、次のどの役割を果たしますか？ 入力データを直接出力する 現在の入力データと過去の情報を統合する 学習速度を制御する 出力層の計算を完全に置き換える None 103. 教師あり学習で分類問題に適用されるアルゴリズムはどれですか？ K平均法 ロジスティック回帰 主成分分析（PCA） 非負行列因子分解（NMF） None 104. 「転移学習」とはどのような手法か？ データの一部を無視して学習する 学習途中でモデルを停止させる モデルの重みを0にリセットする 別のモデルで学習したパラメータを新しいタスクに適用する None 105. データ生成手法として「自己回帰モデル」が適用されるタスクとして適切なものはどれですか？ GANを用いた画像生成 時系列データの予測 潜在変数の学習 ノイズ除去 None 106. スキップ結合を使用する際、出力の次元が入力の次元と異なる場合に一般的に行われる処理は何ですか？ 勾配クリッピング 次元の拡張または縮小を行うための線形変換 入力を切り捨てる 出力をゼロパディングする None 107. AIが金融分野で透明性を持たずに運用されると、どのようなリスクがありますか？ AIの判断がブラックボックス化し、投資家や規制当局がその判断を追跡できず、金融市場に混乱をもたらすリスク AIが投資判断を自動で行う AIがすべてのデータを削除する AIが自動でトランザクションを処理する None 108. AIを使った自動化された顔認識技術の悪用例として考えられるのはどれですか？ AIが顔認識を使って犯罪者を特定すること AIが顔認識を用いて無許可で個人の追跡を行うこと AIが顔認識を使ってセキュリティを強化すること AIが顔認識でデータの重複を防ぐこと None 109. 教師なし学習における「非負行列因子分解（NMF）」の特徴として最も適切な説明はどれですか？ データ行列を非負の行列に分解し、次元削減を行う データを逐次的にクラスタに分割する データのクラスタ数を自動で決定する クラスタリングに適用される None 110. 転移学習モデルの「初期層」を凍結することによる弊害は何ですか？ モデルの計算速度が遅くなる パラメータ数が増加する 新しいタスクに対して適応力が落ちる可能性がある 学習率が大きくなる None 111. AIのオープンソースライブラリを利用して製品を開発する際、誤って営業秘密を侵害した場合、どのような対応が必要ですか？ 製品をそのまま販売し続ける 問題を認識次第、利用を中止し、影響範囲を特定する 他社に責任を転嫁する 問題が発覚しない限り対応しない None 112. AIの悪用により「フェイクレビュー」が生成される場合、その主な社会的影響として最も適切なものを選んでください。 消費者が製品を正確に評価できる AIがレビューを管理して消費者に正確な情報を提供する フェイクレビューは消費者に影響を与えない 市場の信頼性が低下し、消費者と企業間の不信感が広がる None 113. ディープラーニングにおける「勾配消失問題」とは何か？ 勾配が0に近づき、重みが更新されにくくなる現象 勾配が大きくなりすぎて、重みが急激に変化する現象 モデルの精度が過剰に上がる現象 入力データが足りなくなる現象 None 114. 転移学習において、事前学習済みモデルの「出力層」を更新する理由は何ですか？ モデルの速度を上げるため 訓練データを減らすため 新しいタスクでのパフォーマンスを低下させるため 新しいタスクに対応するため None 115. 不正競争防止法で保護されている「著名表示の不正使用」とは何ですか？ 自社の商品を販売する行為 他社の商品を改良する行為 営業秘密を公開する行為 著名な商標やロゴを無断で使用する行為 None 116. スキップ結合はどの層とどの層をつなげますか？ 隣接する層 入力層と出力層 遠く離れた層 1層飛ばしの層 None 117. 教師あり学習で、モデルの性能が非常に高い訓練データにのみ適用され、テストデータや実データに対しての性能が低下する現象を何と呼びますか？ 正則化 アンダーフィッティング 過学習 グリッドサーチ None 118. 教師あり学習において、次のうち「回帰」問題に該当するものはどれですか？ 手書き数字の認識 顔の画像をもとに年齢を予測 スパムメールかどうかを分類 画像内の物体を検出 None 119. 転移学習において、最もよく使われるデータセットはどれですか？ CIFAR-10 MNIST ImageNet COCO None 120. 二値分類において、シグモイド関数と一緒に使われる代表的な誤差関数はどれですか？ 平均二乗誤差 Huber誤差 二項クロスエントロピー 平均絶対誤差 None 121. 転移学習が有効でない場合はどのような状況ですか？ 元のタスクと新しいタスクの特徴が大きく異なる場合 訓練データが非常に少ない場合 新しいタスクのデータセットが非常に大きい場合 元のモデルが小さい場合 None 122. 不正競争防止法に基づいて、「模倣されたAI技術製品」に対して取られる主な措置は何ですか？ 模倣品の販売を継続させる 模倣品の販売差し止めと損害賠償請求 模倣品の正当性を確認する 模倣品を新しい商標で販売する None 123. AIの透明性が欠如すると、どのような問題が発生しますか？ AIが自動で正しい結果を提供する ユーザーや社会がAIの結果や判断に対して信頼を失う AIが迅速に動作する AIがすべてのデータを収集する None 124. AIによる「フィッシング詐欺メール」の生成が高度化した場合、どのようなリスクが増加しますか？ AIがメールを削除する AIが詐欺メールを削除する AIが非常に巧妙な詐欺メールを自動で生成し、個人情報の盗難や経済的損失が増加するリスク AIがプライバシーを保護する None 125. ディープラーニングにおける「ユニット（ノード）」の役割はどれか？ データのラベルを自動的に生成する 入力データを受け取り、重みとバイアスを使って処理を行う データの勾配を常に0に設定する データを圧縮して保持する None 126. 不正競争防止法における「差止請求権」とは何ですか？ 不正競争行為を行った企業に対して、その行為の差止めを求める権利 他社の商品を自由に使用する権利 営業秘密を公開する権利 他社の特許を差し止める権利 None 127. LSTMの「出力ゲート」はどのように機能しますか？ 過去の情報を忘れる セル状態を次のタイムステップに伝える 現在の隠れ状態を次の層に出力する 新しい情報を追加するかどうかを決定する None 128. 「GAN（敵対的生成ネットワーク）」における「生成ネットワーク（Generator）」の役割は何か？ 本物のデータと偽物のデータを区別する 本物に似た偽物のデータを生成する データの特徴量を抽出する 生成されたデータの品質を評価する None 129. ディープラーニングにおいて、画像データの前処理として「正規化」を行う主な目的はどれですか？ 勾配降下法の学習効率を向上させる データの次元を削減する データセット内のラベルバランスを取る モデルの複雑性を減らす None 130. AIを利用した「ディープフェイク検出ツール」の開発が進む中で、ディープフェイクが悪用される主なリスクとして適切なものを選んでください。 個人や組織の名誉が損なわれる フェイクコンテンツが完全に除去される AIがフェイクニュースを排除する ディープフェイクは社会的影響を与えない None 131. 「商品形態模倣行為」は不正競争防止法の対象ですか？ いいえ、模倣行為は自由です はい、特定の商品形態を模倣する行為は一定期間禁止されています いいえ、商品名のみが保護対象です はい、すべての商品に対して無期限で禁止されています None 132. 誤差関数の勾配が学習において重要な理由はどれですか？ 学習率を調整するため モデルの複雑さを減少させるため パラメータを更新するための方向を決定するため 過学習を防ぐため None 133. 次元削減手法の一つである「独立成分分析（ICA）」の特徴として最も適切なものはどれですか？ クラスタリングに使用される 信号の分離や異なるソースの分離に適している ラベル付きデータの分類に使用される クラスタ数を最適化する None 134. 教師あり学習における「ラベル付きデータ」を使用する理由はどれですか？ データの次元を削減するため データの非線形性を処理するため モデルが予測するターゲット変数を訓練するため モデルをテストするため None 135. LSTMにおける「セル状態（Cell State）」が長期的な依存関係の学習に役立つ理由は何ですか？ 勾配の流れを安定させるため 訓練データを圧縮して計算負荷を軽減するため 短期記憶を強化するため 出力層の計算を簡素化するため None 136. ガウス混合モデル（GMM）がK-meansクラスタリングと異なる主な点はどれですか？ クラスタ数を動的に決定できる データの線形分離性を仮定しない 初期化が不要 データポイントが複数のクラスタに所属する確率をモデル化できる None 137. 教師なし学習において、クラスタリングアルゴリズムの評価指標として適切なものはどれですか？ 正解率（Accuracy） シルエットスコア ROC曲線 クロスエントロピー None 138. 教師あり学習における「決定木（Decision Tree）」の利点として最も適切なものはどれですか？ 訓練が非常に高速である 多数のクラスに対して優れた性能を発揮する ハイパーパラメータの調整が不要である 結果の解釈が容易で、説明しやすい None 139. 次のうち、ディープラーニングにおける「アンサンブル学習」の利点はどれか？ モデルの学習速度を劇的に向上させる モデルのメモリ使用量を削減する 複数のモデルを組み合わせることで、モデルの汎化性能が向上する 過学習を防ぐためにバッチサイズを大きくする None 140. 不正競争防止法における「不正競争行為」とは何ですか？ 他者の商品や営業を混同させる行為 競合他社の商品を宣伝する行為 競合他社の営業秘密を開示する行為 競合他社の商品を改良する行為 None 141. LSTMの「入力ゲート」は何を制御しますか？ 現在のセル状態に新しい情報をどれだけ加えるかを制御する 出力を決定する 過去の情報を忘れるかどうかを決定する 勾配消失を防ぐ None 142. 教師あり学習の回帰問題において、モデルの予測が訓練データに対して非常に高い精度を示しているが、テストデータでは大きく誤差が出る場合、考えられる原因はどれですか？ モデルが過学習している データが不均衡である 過小適合が起きている ハイパーパラメータが適切でない None 143. 不正競争防止法に基づいて、AIアルゴリズムが営業秘密として保護されるための要件は何ですか？ アルゴリズムが公に知られていないこと アルゴリズムが特許取得済みであること アルゴリズムが商業的に利用されていること アルゴリズムが公開されていること None 144. AIの「自律システム」において、透明性が欠如していると、どのようなリスクが発生しますか？ AIが自動でデータを削除する AIが常に正確に動作する AIがデータを正しく処理しない AIの判断が予測不可能であり、人間がその行動を理解できず、重大な事故や誤動作が発生するリスク None 145. GRU（Gated Recurrent Unit）がLSTMより計算効率が高い理由として最も適切なものはどれですか？ ゲートの数が少ないため 隠れ層を複数持たないため セル状態を持たないため 勾配消失問題を完全に解決するため None 146. WGAN（Wasserstein GAN）の特徴は何ですか？ モード崩壊を完全に防ぐ 勾配消失問題を緩和するためにWasserstein距離を使用する ラベル付きデータを使用して訓練を行う 生成データをクラスタリングする None 147. 残差ブロックにスキップ結合を導入することで、どのような効果が得られますか？ ネットワークの出力が安定する 学習が加速し、勾配が安定する 訓練データのサイズが増加する モデルのパラメータ数が増加する None 148. データ生成における「データ拡張（Data Augmentation）」の目的は何ですか？ データセットの多様性を向上させる モデルの計算コストを削減する データを削除して軽量化する 特定のデータ分布を削除する None 149. 教師なし学習において、ラベル付きデータが存在しないため、データのグループ分けに用いられる手法はどれですか？ 線形回帰 ロジスティック回帰 クラスタリング サポートベクターマシン（SVM） None 150. AIシステムの透明性を確保するための「オープンソースAI」とは何ですか？ AIのソースコードやアルゴリズムが公開され、誰でもアクセスできるシステム AIがすべてのタスクを自動で処理するシステム AIが常に最新の技術を使用するシステム AIが自動でデータを削除するシステム None 151. AIが自動で生成する「フェイクレビュー」は、どのような社会的リスクをもたらしますか？ AIが商品の評価を正確に行う 虚偽のレビューが拡散され、消費者の判断が歪められるリスク AIがレビューを削除する AIがレビューを暗号化する None 152. ディープラーニングモデルで「エポック数」を増やしすぎた場合、一般的に考えられる問題はどれですか？ モデルが訓練データを十分に学習できない モデルが過学習する可能性が高まる モデルの汎化性能が向上する 学習率が自動的に減少する None 153. VAEの特徴として正しいものはどれですか？ 確率分布に基づくデータ生成を行う データの次元削減のみを行う 生成モデルを持たない データの識別に特化している None 154. シーケンスデータの長期的な依存関係を捉えるために有効な技術はどれですか？ ドロップアウト LSTMやGRUの使用 1x1の畳み込み ストライドの増加 None 155. 教師あり学習における「K分割交差検証（K-fold Cross Validation）」の主な利点はどれですか？ データセットを効果的に分割し、モデルの汎化性能を評価できる 訓練時間を大幅に削減する データの次元を削減する 非線形データに対しても適用可能 None 156. AIの透明性が規制されるべき理由として正しいのはどれですか？ AIが効率的に動作しない場合があるため AIのアルゴリズムが公開されていないと、バイアスや不公正な判断が行われる可能性があるため AIが自動でデータを削除するため AIがすべての判断を手動で行う必要があるため None 157. 転移学習を行う際に「ファインチューニング」する層はどの部分ですか？ 入力層のみ 初期の層のみ 全ての層 出力層および後半の層 None 158. GANの訓練中に発生する問題として知られている「モード崩壊（Mode Collapse）」とは何ですか？ GANが全くデータを生成できなくなる現象 生成モデルが単一のタイプのデータしか生成できなくなる現象 識別モデルが誤った判断を行う現象 学習が収束しない現象 None 159. MSEとMAEの主な違いは何ですか？ MSEは二乗誤差を使用し、MAEは絶対誤差を使用する MSEは回帰問題に使用され、MAEは分類問題に使用される MSEは外れ値に強いが、MAEは弱い MSEは分類問題に使用され、MAEは回帰問題に使用される None 160. RNNの学習を安定させるために使用される「勾配クリッピング（Gradient Clipping）」の目的は何ですか？ 勾配をゼロにして学習を停止するため 勾配の計算を高速化するため 勾配の大きさを制限して勾配爆発を防ぐため 勾配消失問題を解決するため None Time's up
