G検定～模擬試験③～ 2024年12月6日 ailearn 1. 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 2. 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 3. AIの透明性を確保するために「ロギングシステム」が導入されることがありますが、その役割は何ですか？ AIが自動でデータを削除する AIが自動で判断を行う AIの意思決定プロセスやデータ処理の履歴を記録し、後から確認できるようにする AIがすべてのタスクを非公開で処理する None 4. 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 5. 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 6. 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 7. 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 8. 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 9. 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 10. 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 11. 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 12. 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 13. 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 14. 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 15. 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 16. 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 17. 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 18. 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 19. 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 20. 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 21. 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 22. 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 23. 「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 24. 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 25. 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 26. 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 27. RNNで使用される「時間ステップ」とは何を指しますか？ 各レイヤー間の重みの更新タイミング モデルのパラメータ数 モデルが収束するまでの期間 シーケンス内の各データポイントに対する処理の単位 None 28. 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 29. 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 30. 教師なし学習の目的として最も適切なものはどれですか？ データにラベルを付ける データの構造を発見する ラベル付きデータを分類する データを回帰モデルに適用する None 31. 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 32. 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 33. 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 34. 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 35. 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 36. 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 37. 「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 38. 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 39. 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 40. 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 41. 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 42. 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 43. ディープラーニングモデルの学習において、学習率（Learning Rate）の設定が重要である理由として最も適切なものはどれですか？ モデルの構造を最適化するため 勾配消失問題を完全に防ぐため 最適化アルゴリズムの収束速度を調整するため モデルの過学習を防ぐため None 44. 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 45. 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 46. 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 47. 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 48. 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 49. 教師あり学習でモデルの過学習を防ぐために、「アンサンブル学習」が有効な理由は何ですか？ データの次元を削減するため 複数のモデルを組み合わせることで、予測の安定性と精度が向上する クラスタリングを自動化するため モデルの訓練時間を短縮するため None 50. 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 51. RNNの「長期依存性の問題」とは何ですか？ 計算量が増加する問題 長いシーケンスを扱う際に、過去の情報が消失してしまう問題 出力が不安定になる問題 ネットワークが収束しない問題 None 52. 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 53. 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 54. 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 55. GRUの「リセットゲート」の役割は何ですか？ 勾配をリセットする 出力を調整する 過去の情報をリセットして新しい情報を受け入れる モデルのパラメータを更新する None 56. 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 57. 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 58. 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 59. 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 60. 透明性を確保するためにAI開発者が考慮すべき点として適切でないものを1つ選んでください。 アルゴリズムのバイアス検証 利用者が理解可能な形式での情報提供 AIの完全自動化による人間の排除 トレーニングデータの出所の明示 None 61. 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 62. 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 63. 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 64. 教師なし学習における「エルボー法」の主な目的は何ですか？ K-meansクラスタリングにおける最適なクラスタ数を決定するため 次元削減の際に使用するため データの外れ値を検出するため 学習率を最適化するため None 65. 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 66. 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 67. 誤差関数とは何を計算するための関数ですか？ モデルの正解率 モデルのパラメータ 予測値と実際の値の差 学習率 None 68. 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 69. 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 70. 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 71. 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 72. 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 73. 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 74. 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 75. 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 76. RNNで勾配消失問題が発生しやすい理由として正しいものは次のうちどれですか？ 活性化関数が使用されないため 時間ステップごとに隠れ状態がリセットされるため 勾配がゼロに固定されるため 長いシーケンスでは勾配が小さくなりすぎるため None 77. 誤差関数の選択がモデルの性能に与える影響は何ですか？ モデルの構造にのみ影響を与える 学習の収束速度や最終的な性能に影響を与える データの前処理方法に影響を与える 出力層のアクティベーション関数にのみ影響を与える None 78. 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 79. 不正競争防止法において、特許や著作権とは異なる特徴は何ですか？ 技術的発明を保護する 商品や営業の混同を防止することに重点を置いている 著作物を保護する 発明の公開を義務付けている None 80. 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 81. 「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 82. 誤差関数が不適切な場合、どのような問題が生じる可能性がありますか？ モデルの学習が遅くなる 学習が収束しない モデルが過剰適合する すべての選択肢が該当する None 83. 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 84. 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 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. スキップ結合が効果的に働くのはどのような場合ですか？ 浅いニューラルネットワーク 非線形活性化関数を使用する場合 深いニューラルネットワーク 出力層にのみ適用される場合 None 87. スキップ結合を持つネットワークが深層化することで得られる主な利点として適切なのはどれですか？ 訓練データの必要量が減少する 特徴抽出の精度が向上する モデルの性能が入力データの量に依存しなくなる ネットワークの収束速度が低下する None 88. 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 89. 「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 90. 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 91. 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 92. 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 93. 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 94. 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 95. 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 96. 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 97. AIがソーシャルメディアでの情報操作に悪用される際、どのような手法が取られる可能性がありますか？ AIがユーザーの投稿を削除する AIが大量のフェイクアカウントを作成し、虚偽情報を広める AIがすべてのコメントを検閲する AIがプライバシーを保護する None 98. 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 99. 異常検知にIsolation Forestを適用した際、異常データが多く検出され、検出結果が多くの誤検知を含んでいることがわかりました。この問題を解決するために最も適切な対応はどれですか？ 異常と正常の境界を再調整する（しきい値の調整） K-meansクラスタリングに切り替える データを削減して処理を簡素化する 次元削減を行ってから再度適用する None 100. 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 101. 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 102. 損失関数の選択が学習に与える影響はどれですか？ モデルの初期化方法を決定する 学習率の選択に影響を与える 学習の収束速度と最終的な精度に影響を与える 入力データの前処理方法を決定する None 103. 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 104. 生成モデルにおいて「潜在空間の連続性」が重要な理由は何ですか？ データ生成を停止するため データ生成速度を上げるため データ生成の滑らかさと一貫性を確保するため データの次元削減を行うため None 105. 「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 106. RNNにおける「隠れ層」の役割は何ですか？ ネットワークの出力を生成する 勾配を計算する 過去の情報を保持し、次のタイムステップに渡す 活性化関数を適用する None 107. 次のうち、教師なし学習でよく使用される次元削減の手法はどれですか？ 決定木 主成分分析（PCA） ナイーブベイズ ランダムフォレスト None 108. AIの「ブラックボックス問題」とは何ですか？ AIの意思決定プロセスが不透明で、人間が理解できないこと AIがデータを暗号化するプロセス AIが物理的に破損すること AIが自動で判断を行うこと None 109. AIを利用した自動化された犯罪行為として「ボットネット攻撃」が挙げられますが、この攻撃の目的は何ですか？ AIがシステムを強化する 多数のデバイスを乗っ取り、一斉に攻撃を行うことでシステムをダウンさせる AIがデータを保護する AIがデータを暗号化する None 110. 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 111. 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 112. 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 113. 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 114. 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 115. 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 116. GANのトレーニングにおいて、識別モデルが「トレーニング進行中に常に正確な結果を出しすぎる」場合、どのような問題が発生しますか？ 生成データが現実に近づく 識別モデルが報酬を与える データが過学習する 生成モデルの学習が停滞する None 117. 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 118. 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 119. 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 120. 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 121. 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 122. 回帰問題で、モデルの評価に「平均絶対誤差（MAE）」ではなく「平均二乗誤差（MSE）」を使用する理由として最も適切なのはどれですか？ MSEは外れ値の影響を軽減するため MSEは外れ値を重視して評価するため MSEは負の値を扱わないため MSEは計算速度が速いため None 123. 医療分野でAIの透明性を確保する主な目的として最も適切なものを選んでください。 診断結果を簡略化し患者への情報提供を省略する 医療データをすべて非公開にしてプライバシーを完全に保護する 診断結果をAI開発者のみが把握する AIによる診断の根拠を医師や患者が理解できる形で提供する None 124. 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 125. 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 126. 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 127. 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 128. 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 129. GANの「スタイル転送（Style Transfer）」の応用例として最も適切なものはどれですか？ 画像のスタイルを別の画像に適用する技術 文章を別の言語に翻訳する技術 音声データをテキストに変換する技術 データの圧縮技術 None 130. Conditional GAN（CGAN）が従来のGANと異なる主な点はどれですか？ データ拡張の役割を果たす 条件付きデータで生成を制御できる トレーニングデータセットを削減できる 判別モデルが不要になる None 131. 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 132. 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 133. 「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 134. 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 135. 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 136. 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 137. 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 138. 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 139. 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 140. 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 141. 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 142. AIの透明性を向上させる際に重視される原則として最も適切なものを1つ選んでください。 アルゴリズムの完全非公開化 判断プロセスと使用データの説明 利用者への情報提供の制限 トレーニングデータの削除 None 143. 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 144. 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 145. 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 146. 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 147. 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 148. データ生成に用いられる代表的な手法である「GAN」は何の略ですか？ General Adversarial Network Generative Adversarial Network General Activation Network Generative Algorithmic Network None 149. AIによる「自動化された詐欺メール生成」は、どのような悪用例に該当しますか？ AIが誤ってメールを削除すること AIがスパムメールを削除すること AIが個人情報を盗み、詐欺メールを自動生成して送信すること AIがメールの内容を自動で翻訳すること None 150. スキップ結合を持つモデルのメリットはどれですか？ 学習が早くなる 勾配が安定する 過剰適合が防げる 全ての選択肢 None 151. 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 152. 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 153. 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 154. 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 155. 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 156. 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 157. 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 158. 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 159. 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 160. 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 Time's up
