G検定～模擬試験③～ 2024年12月6日 ailearn 1. 「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 2. 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 3. 「勾配クリッピング」がRNNの学習に有効な理由は何ですか？ 勾配消失を防ぐため 勾配爆発を防ぐため 勾配を強化するため 学習率を調整するため None 4. 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 5. 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 6. 「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 7. 「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 8. ResNetにおいてスキップ結合が導入された理由は何ですか？ モデルの深さを減らすため 計算コストを削減するため 勾配消失問題を軽減するため モデルのパラメータ数を増やすため None 9. 教師なし学習で次元削減を行う際に、散布図を使って高次元データを2次元に投影する方法として正しいものはどれですか？ ロジスティック回帰 K-means t-SNE ランダムフォレスト None 10. 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 11. 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 12. 転移学習における「ドメイン適応（Domain Adaptation）」の役割は何ですか？ 異なる分布のデータに対してモデルを適応させる モデルの訓練速度を向上させる 学習データを増やす モデルのパラメータ数を削減する None 13. 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 14. ディープラーニングで使用される「ReLU（Rectified Linear Unit）」の特徴はどれか？ 入力が負の値の場合、0を出力する 入力が0以上の値の場合、負の数を出力する 勾配消失問題を引き起こす 入力に対して常に同じ値を返す None 15. AIが透明性を持っていない場合、どのような社会的リスクが発生する可能性がありますか？ AIが効率的に動作しない AIがすべてのデータを削除する ユーザーや社会がAIの判断を信頼できず、不正確な情報が広まるリスク AIが判断を自動で行う None 16. 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 17. 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 18. 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 19. 「データ生成モデル」の評価指標として「Inception Score（IS）」が使用される理由は何ですか？ データのバイアスを測定するため モデルの計算効率を比較するため 生成されたデータの品質を評価するため トレーニングデータセットの欠損値を補正するため None 20. 「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 21. 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 22. 転移学習とは何ですか？ 訓練データを増やす手法 事前に学習したモデルを他のタスクに適用する手法 モデルの重みを初期化する手法 モデルの出力層を再訓練する手法 None 23. 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 24. 次の中で、教師あり学習アルゴリズムとして正しいものはどれですか？ 主成分分析（PCA） ランダムフォレスト 階層的クラスタリング DBSCAN None 25. 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 26. 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 27. AIを利用したサイバー攻撃の一つに「敵対的攻撃（Adversarial Attack）」がありますが、これはどのような攻撃ですか？ AIシステムに誤った入力を与え、誤った結果を出力させる攻撃 AIがデータを盗む攻撃 AIがサーバーを破壊する攻撃 AIがデータを永久に保存する攻撃 None 28. 「セマンティックセグメンテーション」の目的は何か？ 画像全体を一つのラベルで分類する 画像の中の特定のオブジェクトを検出する 画像の中の顔を検出する 画像をピクセル単位で分類し、各ピクセルが何を表すかを識別する None 29. 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 30. 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 31. 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 32. 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 33. 「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 34. クロスエントロピー損失関数が多クラス分類で適している理由は何ですか？ 外れ値に対してロバストであるため 計算コストが低いため 回帰問題に特化しているため 出力を確率分布として解釈できるため None 35. 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 36. AIの「透明性」と「説明可能性」の違いとして適切なのはどれですか？ 透明性はAIの動作が理解できる形で公開されること、説明可能性はAIがなぜその判断をしたのかを説明できること 透明性はAIの判断が非公開になること、説明可能性は判断が公開されること 透明性はAIがすべてのデータを削除すること、説明可能性はデータが公開されること 透明性と説明可能性は同じ意味である None 37. ファインチューニングを行う際、「学習率の段階的調整」が必要とされる理由は何ですか？ 計算コストを削減するため モデルのサイズを削減するため データの前処理を簡略化するため 新しいタスクに適応しつつ、事前学習の知識を保持するため None 38. 深層ニューラルネットワークにおける勾配消失問題を避けるための他の技術はどれですか？ ドロップアウト バッチ正規化 活性化関数のReLU 全ての選択肢 None 39. 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 40. 不正競争防止法に基づく「混同防止義務」とは何ですか？ 他者の商品やサービスを混同させないようにする義務 他者の商品を自由に使用できる義務 他者の営業秘密を公開する義務 他者の商品を模倣する義務 None 41. 「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 42. AIが「自動化された監視」に悪用された場合、個人の自由が侵害される理由として最も適切なものを選んでください。 AIは個人の意思を無視して判断を行うため 監視によって個人の行動が過度に制限されるため AIが人間の決定をすべてサポートするため 監視システムが社会全体の安全性を向上させるため None 43. 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 44. 平均二乗誤差（MSE）が外れ値に敏感である理由はどれですか？ 絶対値を計算するため 誤差を累積するため モデルの構造に依存するため 誤差を二乗するため None 45. 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 46. 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 47. 不正競争防止法において、「データの不正取得」とはどのような行為を指しますか？ 公開されているデータを利用する行為 データを正規のライセンス契約に基づいて使用する行為 他社のデータを無断で取得し、商業利用する行為 データを個人利用の範囲で取得する行為 None 48. 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 49. 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 50. 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 51. 「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 52. AIが「バイアスの助長」によって悪用される場合、具体的にどのような問題が発生する可能性が高いですか？ AIの判断が特定のグループを差別的に扱う AIが全ての判断を透明化する AIのバイアスは常に人間の意見を尊重する バイアスの助長はAIの性能を向上させる None 53. 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 54. 誤差逆伝播法において、誤差関数の選択が影響を与えるプロセスはどれですか？ モデルの初期化 重みの更新プロセス バッチサイズの選択 アクティベーション関数の選択 None 55. 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 56. LSTMの「忘却ゲート」の役割は何ですか？ 新しい情報を追加する 過去の情報を保持するかどうかを決定する 出力を制御する 勾配を計算する None 57. 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 58. 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 59. 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 60. 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 61. 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 62. 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 63. AIを用いた個人情報の無断収集が行われた場合、企業が直面する可能性のある法的リスクは何ですか？ プライバシー保護法やGDPRに違反する可能性がある AIが自動的に法令を修正する AIがデータを削除する AIが個人情報を暗号化する None 64. 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 65. 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 66. 誤差関数として最も適切なものを選択してください。次の状況において、外れ値の影響を最小限に抑えたい場合の回帰問題です。 平均二乗誤差（MSE） 平均絶対誤差（MAE） Huber誤差 二項クロスエントロピー None 67. 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 68. 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 69. スキップ結合が含まれる残差ブロックにおいて、スキップ結合を適切に動作させるための重要な設計ポイントはどれですか？ 勾配の大きさを増加させる スキップ結合をリカレント構造で接続する スキップ結合に非線形変換を加える 残差部分が学習を容易にするよう恒等写像を用いる None 70. 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 71. 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 72. 畳み込みニューラルネットワーク（CNN）の「プーリング層」の主な役割は何か？ 入力データを線形に変換する 空間的な情報を抽出し、特徴マップを圧縮する 入力データを次元削減して学習を効率化する データのランダムな部分を削除する None 73. 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 74. 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 75. 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 76. 教師なし学習における「クラスタリング」と「次元削減」の違いは何ですか？ クラスタリングはラベルを作成し、次元削減はデータを分割する クラスタリングは分類であり、次元削減は回帰に使われる クラスタリングは教師あり学習、次元削減は教師なし学習で使われる クラスタリングはデータをグループ化し、次元削減はデータの特徴量を減らす None 77. 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 78. 転移学習で「中間層の特徴」を活用する際の主なメリットは何ですか？ 計算リソースの節約 汎用的な特徴を抽出して新しいタスクに適用できる 高度な専門知識が必要ない モデルの全体的なサイズを縮小できる None 79. 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 80. 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 81. 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 82. 次のうち、Bidirectional RNN（双方向RNN）が単純RNNと異なる理由として適切なのはどれですか？ 隠れ状態を複数の層に分割する 時系列データを逆方向に処理できる 勾配消失問題を完全に解決する 非線形活性化関数を使用しない None 83. 次のうち、ディープラーニングの「サポートベクターマシン（SVM）」とは異なる特徴を持つアルゴリズムはどれか？ ロジスティック回帰 K-means 畳み込みニューラルネットワーク（CNN） 主成分分析（PCA） None 84. 異常検知でIsolation Forestを使用する際、正規化が重要となる理由は何ですか？ 訓練速度を向上させるため 異常値のスコアリングを正確に行うため データの次元を削減するため ラベルの偏りを修正するため None 85. 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 86. 教師なし学習の結果として得られたクラスタを評価するために外部指標を使用する場合、適切な方法はどれですか？ シルエットスコア ノルム計算 調整ランドインデックス（ARI） エルボー法 None 87. 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 88. 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 89. AIの悪用における「ディープフェイク」とは何を指しますか？ AIが無断でデータを収集すること AIが生成したリアルな偽造映像や音声を指す AIがデータの誤りを訂正すること AIが他のAIと連携すること None 90. データ生成において「自己回帰モデル」が有効な理由は何ですか？ 時系列データを生成できるため データを圧縮できるため 識別精度を向上させるため データの正規化が不要なため None 91. スキップ結合を持つネットワークが収束しやすい理由は何ですか？ 勾配が消失しにくくなるため 重みが固定されるため 学習率が自動調整されるため 出力層が早く更新されるため None 92. 転移学習で「部分的に凍結された層」を解凍して学習する利点は何ですか？ モデルの学習速度を速めるため モデルが元のタスクを学習するため モデルが新しいデータに柔軟に適応できるようにするため パラメータ数を削減するため None 93. 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 94. 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 95. 外れ値が多いデータセットにおいて、MSEの代替として使用される誤差関数はどれですか？ 平均絶対誤差（MAE） Huber誤差 カテゴリカルクロスエントロピー コサイン類似度 None 96. ディープラーニングにおける「ハイパーパラメータ」とは何か？ モデルが自動的に学習するパラメータ モデルの学習前に手動で設定するパラメータ データの前処理段階で計算されるパラメータ 訓練データから推測されるパラメータ None 97. 転移学習の効果を最大化するために「データの前処理」が重要な理由は何ですか？ モデルの計算速度を速めるため データが元のタスクと整合性を保つため データセットを増やすため 学習率を最適化するため None 98. 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 99. 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 100. 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 101. 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 102. 教師あり学習のプロセスで、「モデルの汎化性能を向上させる」ために使用される手法はどれですか？ ミニバッチ学習 正則化 階層的クラスタリング 主成分分析 None 103. 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 104. 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 105. RNNの勾配消失問題を解決するために効果的な技術は何ですか？ バッチ正規化 LSTMやGRUの使用 活性化関数の変更 ドロップアウトの使用 None 106. スキップ結合が適用される際、勾配消失問題が緩和される理由はどれですか？ スキップ結合が計算コストを削減するため スキップ結合が勾配をスケールアップするため 勾配を保存するための特別なメモリが利用されるため 勾配が直接入力に流れる経路を提供するため None 107. 教師あり学習で最適なハイパーパラメータを見つけるために使用される手法はどれですか？ グリッドサーチ ランダムサーチ ベイズ最適化 交差検証 None 108. 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 109. 転移学習が有効となる状況はどのような場合ですか？ 訓練データが少なく、計算資源が限られている場合 訓練データが非常に多い場合 モデルが十分に大きい場合 モデルの性能が非常に高い場合 None 110. 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 111. 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 112. 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 113. AIの透明性を高めるために、どのような技術的手法が有効ですか？ モデルの可視化や説明可能なアルゴリズムを使用する データの暗号化 AIモデルを非公開にする AIシステムを停止する None 114. 転移学習を使用した場合、初期層の「凍結」はどのような役割を果たしますか？ 訓練時間を短縮する 過学習を防ぐ 新しいデータに過剰に適応するのを防ぐ 学習率を高くするための処置 None 115. 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 116. 教師あり学習の分類問題において、クラスラベルが不均衡な場合、どのような対策が有効ですか？ 過剰適合を防ぐために、データを削減する 正規化を行う 非線形モデルを使う クラスの重みを調整する None 117. 教師あり学習で、分類問題の性能を評価するために用いられる指標はどれですか？ F1スコア 平均二乗誤差（MSE） コサイン類似度 ジャッカード係数 None 118. 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 119. 転移学習を行う際、「スパースデータセット」が使用される場合に生じる課題を最小化する方法として適切なのはどれですか？ 元の事前学習タスクを再トレーニングする 全ての層を固定して学習を行う データ拡張技術を活用してデータ量を増やす 事前学習済みモデルを直接デプロイする None 120. 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 121. 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 122. AIを用いた「偽造コンテンツ」の作成が選挙に悪影響を及ぼす場合、考えられるリスクは何ですか？ AIが投票システムを強化する AIが投票データを削除する AIが選挙結果を自動で計算する 偽造コンテンツが拡散され、有権者の判断に誤った影響を与えるリスク None 123. 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 124. スキップ結合を持つモデルでの最適化手法として適切なものはどれですか？ 最小二乗法 勾配降下法（SGD） 確率的勾配降下法（SGD） Adamオプティマイザー None 125. AIの透明性が欠如していることが原因で発生する「アカウンタビリティ（説明責任）」の問題とは何ですか？ AIがすべてのタスクを効率的に処理する AIがデータを削除する AIがプライバシーを保護する AIが誤った判断をした際、誰がその責任を負うべきかが不明瞭になること None 126. 転移学習を行う際、「学習率スケジューリング」が有効である理由は何ですか？ 学習が進むにつれて、学習率を徐々に減少させることで最適化を促進するため モデルの訓練時間を短縮するため 訓練データを拡張するため モデルの出力を安定させるため None 127. 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 128. ディープラーニングでの「事前学習モデル（Pre-trained Model）」の利用は、どのような状況で有効か？ 学習データが大量に存在する場合 学習データが少なく、新たなタスクに迅速に対応する必要がある場合 モデルの学習速度を劇的に向上させたい場合 既存のモデルを使わず、新たなネットワークをゼロから構築したい場合 None 129. 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 130. AIを利用して「プロファイリング」が行われる場合、その悪用リスクとして最も懸念されるものを選んでください。 個人に関する情報が正確に記録される プロファイリングの結果が常に公開される 個人のプライバシーが侵害され、不当な差別につながる可能性がある AIはすべてのプロファイリング結果を保護する None 131. 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 132. スキップ結合は、どのようなニューラルネットワークに最も適していますか？ 浅いネットワーク 深層ネットワーク 生成モデル 強化学習モデル None 133. 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 134. AI技術が「ディープフェイク」による犯罪に悪用された場合、どのようなリスクがありますか？ AIが自動で犯罪を防止する 偽の映像や音声が使われ、詐欺や名誉毀損などの犯罪に利用されるリスク AIが正確な結果を提供する AIがデータを削除する None 135. 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 136. 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 137. 「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 138. 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 139. 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 140. リカレントニューラルネットワーク（RNN）の特徴はどれですか？ 入力データを逐次的に処理する 全ての入力を一度に処理する 出力と入力が無関係 畳み込みフィルターを使用する None 141. Bidirectional RNN（双方向RNN）の特徴は何ですか？ 時系列データを過去方向にのみ処理する 双方向に同時にデータを生成する 時系列データを過去方向と未来方向の両方で処理する 勾配消失問題を解決する None 142. 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 143. GRU（Gated Recurrent Unit）はLSTMに比べて何が異なりますか？ ゲートの数が多い ゲートの数が少なく、計算が効率的 パラメータの数が多い 出力の数が多い None 144. 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 145. ディープラーニングにおける誤差関数の適切な選択が学習に与える影響として最も重要なものはどれですか？ モデルの計算速度を改善する モデルの汎化性能を向上させる 活性化関数を最適化する 入力データの次元を削減する None 146. AIモデルの開発において、競合他社の営業秘密を不正に利用した場合に発生するリスクは何ですか？ AIモデルの性能が低下する AIモデルの公開が制限される 不正競争防止法に基づく損害賠償請求や差止請求 営業秘密の権利者がその権利を放棄する None 147. 転移学習を用いたモデルで、ターゲットタスクに適応するために追加の層を導入する主な目的はどれですか？ モデルの計算速度を向上させる ターゲットタスクに特化した特徴を学習させる 事前学習済みモデルの全層を固定するため モデルのサイズを小さくするため None 148. 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 149. 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 150. 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 151. 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 152. スキップ結合が「残差」として機能する理由は何ですか？ 残差ネットワーク（ResNet）では、スキップ結合により、学習すべき残差（ResNet）が直接伝わるから ネットワークの出力を減少させるため 学習率を下げるため 重みの計算を省略するため None 153. 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 154. 「営業秘密の不正取得」に該当する行為はどれですか？ 公開された技術情報を使用すること 合法的に取得した営業秘密を使用すること ハッキングなど不正な手段で営業秘密を入手すること 営業秘密を守るための契約を結ぶこと None 155. K-meansクラスタリングで、クラスタ数を指定する必要がある理由として正しいのはどれですか？ モデルがデータを指定された数のグループに分割するため データの次元を削減するため データのラベルを生成するため 精度を向上させるため None 156. 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 157. 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 158. 教師なし学習で、異常検知を行う場合に適したアルゴリズムはどれですか？ 線形回帰 K-meansクラスタリング Isolation Forest ロジスティック回帰 None 159. ディープラーニングにおける「バッチ正規化（Batch Normalization）」の主な利点は何か？ モデルの重みをランダムに初期化する 訓練データのバッチサイズを調整する モデルの出力を正規分布に変換する モデルの訓練速度を向上させ、勾配消失問題を緩和する None 160. 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 Time's up
