G検定～模擬試験③～ 2024年12月6日 ailearn 1. 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 2. 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 3. 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 4. 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 5. 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 6. 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 7. 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 8. 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 9. 教師あり学習の分類モデルにおいて、精度が非常に高いが、再現率が低い場合、どのような対策が有効ですか？ 正則化を強める クラスタリング手法を使用する テストデータのサイズを増やす 精度と再現率のバランスを考慮したF1スコアを最適化する None 10. AI関連技術において、他社の営業秘密を知らないうちに利用した場合、不正競争防止法の観点からどのようなリスクが発生しますか？ 利用した技術に関する権利を失う 知らなかった場合は法的責任が問われない 利用した技術を共有する義務が生じる 営業秘密侵害が成立する可能性がある None 11. 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 12. VAE（Variational Autoencoder）における「潜在空間」を正規分布に従わせる目的は何ですか？ モデルの計算負荷を軽減するため 訓練データを削減するため ノイズを除去するため 新しいデータ生成のために潜在空間の構造を明確にするため None 13. 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 14. 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 15. 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 16. 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 17. 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 18. 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 19. 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 20. 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 21. K-meansクラスタリングにおいて、各データポイントをクラスタに割り当てる基準は何ですか？ データポイントとセントロイドの距離 クラスタのサイズ データポイントの密度 データポイントのラベル None 22. 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 23. 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 24. 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 25. 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 26. 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 27. 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 28. 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 29. 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 30. 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 31. 「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 32. 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 33. 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 34. 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 35. 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 36. 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 37. 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 38. 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 39. 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 40. 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 41. 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 42. 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 43. 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 44. 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 45. 「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 46. 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 47. 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 48. 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 49. 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 50. 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 51. 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 52. 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 53. 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 54. AIを用いた「監視システム」の悪用により、どのような社会的リスクが生じますか？ 個人のプライバシーが侵害され、無断での監視や追跡が行われるリスク AIが犯罪者を自動で特定する AIがデータを削除する AIがセキュリティを強化する None 55. 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 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. 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 58. 「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 59. 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 60. 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 61. 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 62. 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 63. 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 64. 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 65. 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 66. 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 67. 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 68. 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 69. 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 70. 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 71. 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 72. LSTM（Long Short-Term Memory）で使用される「ゲート」の役割は何ですか？ ネットワークの出力を増やす 時間の流れを制御する 情報を保持、忘却、更新する 活性化関数を調整する None 73. 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 74. 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 75. 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 76. 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 77. 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 78. 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 79. 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 80. 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 81. 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 82. 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 83. 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 84. 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 85. 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 86. 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 87. 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 88. 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 89. 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 90. 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 91. 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 92. 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 93. 「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 94. 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 95. 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 96. 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 97. 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 98. 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 99. 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 100. 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 101. 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 102. 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 103. 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 104. 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 105. 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 106. 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 107. 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 108. 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 109. 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 110. 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 111. 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 112. 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 113. 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 114. 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 115. 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 116. 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 117. 不正競争防止法で保護される「営業秘密」として、AI関連技術が該当する条件はどれですか？ AIアルゴリズムが公開されている場合 機密性が保たれ、有用で非公知の情報である場合 AIモデルが第三者によって利用されている場合 トレーニングデータが一般的な方法で作成された場合 None 118. 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 119. 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 120. AIシステムにおける「トレーサビリティ（追跡可能性）」の役割は何ですか？ AIがすべてのタスクを手動で処理する AIの判断やプロセスを後から確認できるようにし、透明性を確保する AIが自動でデータを削除する AIがデータを公開しない None 121. 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 122. 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 123. 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 124. 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 125. 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 126. 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 127. 教師あり学習における「目的変数」とはどれですか？ 説明変数 ハイパーパラメータ 予測したいターゲット値 訓練データ None 128. 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 129. 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 130. 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 131. 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 132. 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 133. 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 134. 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 135. 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 136. 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 137. 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 138. 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 139. 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 140. 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 141. 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 142. 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 143. 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 144. 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 145. AI関連技術の営業秘密を不正に開示した場合、どのような制裁措置が考えられますか？ 差止請求と損害賠償請求 AI技術の公開 技術の自由な利用 特許の無効化 None 146. 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 147. 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 148. 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 149. 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 150. 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 151. 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 152. 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 153. 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 154. 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 155. 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 156. 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 157. 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 158. GANにおいて「識別モデル」の役割は何ですか？ 本物と偽物のデータを見分ける データを圧縮する パラメータを最適化する データの生成プロセスをサポートする None 159. 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 160. 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 Time's up
