G検定～模擬試験⑤～ 2024年12月6日 ailearn 1. モデル軽量化の手法の一つである「知識蒸留（Knowledge Distillation）」とは何ですか？ 大きなモデルの知識を小さなモデルに伝達する手法 モデルのパラメータを増加させる手法 モデルのデータ量を削減する手法 モデルの精度を向上させる手法 None 2. 「Nesterov Accelerated Gradient（NAG）」がモーメンタム法と異なる点はどれですか？ 勾配の方向を無視する 現在の位置ではなく、予測された位置で勾配を計算する パラメータの更新を完全に停止する 学習率を動的に変更する None 3. 「適応学習率（Adaptive Learning Rate）」を利用する最適化手法の主な目的は何ですか？ 勾配の計算を簡略化するため 層ごとの学習率を均一化するため 各パラメータごとに適切な学習率を設定し、収束を効率化するため 学習率を一貫して一定に保つため None 4. モデル軽量化の技術として「エッジAI」とは何ですか？ クラウド上で大規模モデルを実行する技術 モバイルデバイスやエッジデバイス上で軽量化されたAIモデルを実行する技術 モデルのトレーニングを高速化する技術 モデルのパラメータ数を増やす技術 None 5. 部分依存プロット（PDP）が使用される目的として最も適切なのはどれですか？ 特定の予測結果の根拠を説明するため モデルのトレーニング時間を短縮するため 特徴量の全体的な影響を視覚化するため モデルの予測精度を向上させるため None 6. スタッケードエルボー（Stochastic Elbow）とは何ですか？ オプティマイザーの種類 学習率の設定手法 バッチサイズを最適化する手法 勾配の分散を考慮した手法 None 7. AI開発委託契約における「納期遅延」の場合、開発者に課される可能性がある罰則は何ですか？ 遅延損害金の支払い 委託者への特許権の譲渡 契約の延長 成果物の無料提供 None 8. モデルの解釈性が低い場合、実運用で直面するリスクとして最も適切なのはどれですか？ モデルのトレーニングが早く終わる モデルのパフォーマンスが向上する モデルの設計が単純化される モデルの判断が誤解され、信頼性が低下する None 9. データ拡張における「ラベル保持」とは何ですか？ 新しいラベルを生成すること ラベルを削除して無効にすること ラベルを正規化すること データを拡張した際に、元のラベルをそのまま維持すること None 10. AIシステムの開発において「持続可能性」が重要とされる理由は何ですか？ AIシステムが長期的に利用可能で、環境への影響を最小限に抑えることが求められるため AIがすべてのエネルギーを削減するため AIがすべての資源を使用するため AIがすべてのデータを消去するため None 11. 画像データ拡張における「アフィン変換（Affine Transformation）」の役割は何ですか？ データを標準化する 画像のスケーリング、回転、平行移動を行う データの次元を削減する 重みの初期化を行う None 12. AI開発委託契約における「リスク分担」とは、どのような内容を指しますか？ 委託者が全てのリスクを負うこと 開発に関わる費用や責任を、開発者と委託者で事前に明確に分け合うこと 開発者が全てのリスクを負うこと リスクに関して取り決めは行わないこと None 13. データ拡張による汎化性能の向上は、どのような理論に基づいていますか？ モデルの複雑さを増やす理論 モデルの学習率を下げる理論 訓練データをランダム化することで、モデルがより多様な特徴を学習できるという理論 勾配消失を防ぐ理論 None 14. データ拡張を使っても汎化性能が向上しない可能性がある場合は、どのような状況ですか？ 元のデータが非常に大規模で多様性がある場合 学習率が高すぎる場合 正則化が適切に行われていない場合 モデルが適切に訓練されていない場合 None 15. AIガバナンスにおける「倫理的デザイン」とは何ですか？ AIがすべてのデザインを無視すること AIがすべてのデザインを自動で行うこと AIがすべてのデータを削除すること AIシステムが開発段階から社会的・倫理的な影響を考慮して設計されること None 16. AIサービス提供契約において、サービス提供者が提供する保証が「性能基準を満たさなかった」場合に、利用者が受けるべき補償内容として一般的なものはどれですか？ 契約解除および損害賠償の請求権 利用者が独自にシステムを改修する義務 サービス提供者が追加の料金を請求する権利 提供者がすべてのデータを公開する義務 None 17. AIサービス提供契約における「データの取り扱い」に関する条項で、委託者が提供したデータに対してサービス提供者が負うべき義務はどれですか？ データの保護とセキュリティ確保 データの無期限使用権 データの所有権の譲渡 データの公開 None 18. 「異常検知モデル」において、データの分布が重要である理由は何ですか？ モデルのトレーニング時間を短縮するため 正常なデータと異常なデータの分布が異なるため、異常の検出が可能になる データのラベリングを行うため データのバイアスを減らすため None 19. AI開発委託契約において「開発のスコープ（範囲）」とは何ですか？ 開発者の責任範囲を決定するためのもの 開発者が自由に決定するもの 開発する技術や機能の範囲を明確にするためのもの 法律で定められるもの None 20. 「ローカルな解釈性」とは何ですか？ モデル全体を理解する手法 個別の予測や判断に対して解釈を行う手法 データの前処理を行う手法 モデルの訓練方法を説明する手法 None 21. 最適化手法において「Nesterov Accelerated Gradient（NAG）」の特徴は何ですか？ 勾配を更新する前に予測を行う 学習率が常に一定である バッチサイズを小さくすること モデルの複雑さを増すこと None 22. AIモデルにおいて、過学習を防ぐための一般的な手法として適切でないものはどれですか？ データを増やす 正則化を導入する モデルの複雑さを減らす 学習データの一部を削除する None 23. モーメンタム法の主な利点は何ですか？ 局所最適解に陥るリスクを減少させること 計算を簡素化すること 学習率を固定すること 各イテレーションで新しいサンプルを使用すること None 24. 「オンザフライデータ拡張（On-the-fly Data Augmentation）」の利点として最も適切なものはどれですか？ データ拡張の結果が常に同じである 訓練データのサイズを大幅に減らすことができる モデルのトレーニング速度を向上させる 拡張データを事前に保存する必要がないため、ストレージコストを削減できる None 25. AI技術において「説明責任」が不可欠である理由は何ですか？ AIが全ての説明を無視するため AIが下した決定に対して人間が責任を持ち、その結果を説明する必要があるため AIが自動で全ての決定を行うため AIがすべてのデータを削除するため None 26. 軽量化されたモデルをエッジデバイスにデプロイする際に「オンデバイス推論」が推奨される理由として最も適切なのはどれですか？ クラウドへの依存度を減らし、リアルタイム処理を可能にするため モデルを直接トレーニングするため 高精度な計算を実行するため デバイスのストレージを最小化するため None 27. 最適化手法における「早期停止」とは何ですか？ 訓練データの量を減らすこと モデルのトレーニングを早めに停止すること 学習率を低下させること バッチサイズを変更すること None 28. 大規模データセットを扱う際に「データのサンプリング」を行う利点は何ですか？ モデルの精度を向上させる データ量を減らし、処理を効率化する データの次元を増加させる データのノイズを増やす None 29. オンザフライデータ拡張（On-the-fly Data Augmentation）とは何ですか？ モデルのトレーニング中にリアルタイムでデータを拡張する手法 事前に拡張データを生成してから訓練する手法 トレーニングデータを無視してモデルを学習する手法 拡張データのラベルを変更する手法 None 30. モデルの解釈性を高めるために、複雑なモデルを単純化する手法を何と呼びますか？ モデル蒸留（Model Distillation） 勾配消失問題 リカレントニューラルネットワーク バッチ正規化 None 31. 「共分散」とは何ですか？ 2つのデータセット間の線形関係を示す指標 1つのデータセット内のばらつきを示す指標 データの最小値と最大値の差 2つのデータセット間の非線形関係を示す指標 None 32. オートエンコーダを異常検知に使用する際、異常データが検出される基準は次のうちどれですか？ 再構成誤差が異常に大きい場合 潜在変数の次元が基準を超える場合 エンコーダの出力が入力データに一致する場合 デコーダの構造が複雑な場合 None 33. AIサービス提供契約において、委託者がサービスに対する独占的な使用権を持つ場合、どのようなリスクが伴いますか？ 他の企業が同様のサービスを使用できなくなる サービス提供者がサービスの改良や更新に制限を受ける可能性 サービスの利用料金が引き下げられる サービスの稼働率が上がる None 34. AI開発委託契約において、「進捗報告」を義務付ける主な理由は何ですか？ 開発プロセスの透明性を確保し、リスクを早期に発見するため 開発者の業務を監視するため 委託者が進捗に基づいて契約を終了させるため 開発の進行を遅らせるため None 35. モデルの解釈性が求められる理由として最も適切なものはどれですか？ モデルのトレーニング時間を短縮するため モデルの予測に対する信頼性を向上させるため モデルのパラメータを増やすため モデルの計算速度を上げるため None 36. AIガバナンスにおいて、アルゴリズムのバイアスを防ぐための適切な方法を1つ選んでください。 データセットの多様性を確保する アルゴリズムの複雑性を高める AIシステムを全自動で運用する データ分析を省略する None 37. 最適化手法として「RMSprop」を使用する利点は何ですか？ 各パラメータごとに異なる学習率を使用すること 学習率を一律に保つこと 訓練データのサイズを減少させること モデルの複雑さを増すこと None 38. AI開発委託契約における「成果物の瑕疵担保責任」の期間延長を求める際、委託者が行うべき対応は何ですか？ 開発者に一方的に延長を求める 法律で定められた期間に従う 延長を求めずに自ら修正する 開発者との合意の上で、契約書を修正する None 39. データ拡張を行う際、画像データに対して「水平反転」を適用する目的は何ですか？ 画像の解像度を向上させるため 左右対称性を利用してモデルの汎化性能を向上させるため ノイズを除去するため 画像の色彩を調整するため None 40. データの欠損値が多い場合に行われる代表的な処理方法はどれですか？ 欠損値の除去や補完 モデルの複雑化 特徴量のスケーリング ランダムフォレストの適用 None 41. AIサービス提供契約における「データの匿名化」が求められる理由として適切なものはどれですか？ データの使用を無制限にするため データの削除を容易にするため データを共有しやすくするため 個人情報保護法やGDPRなどの法的規制に準拠するため None 42. SHAPの利点として正しいものはどれですか？ モデルのパラメータを最適化する 各特徴量が予測にどれだけ影響したかを明確に示す モデルの訓練速度を速める 過学習を防ぐ None 43. 「ロジスティック回帰」における目的変数は何ですか？ 連続値 カテゴリカルデータ（0または1などの二値データ） 離散値 多次元データ None 44. データ拡張における「カットアウト（Cutout）」手法の目的は何ですか？ モデルの複雑さを減らすため 画像の一部をランダムに黒く塗りつぶして隠すことで、モデルが全体的な文脈を学習するため モデルの精度を上げるため 勾配の更新を行うため None 45. AIシステムが「倫理的ガバナンス」を必要とする理由は何ですか？ AIが全ての仕事を自動化するため AIがすべてのデータを削除するため AIが誤った決定を下すリスクがあり、これを防ぐために倫理的な枠組みが必要であるため AIが全ての規制を無視するため None 46. SHAPとLIMEの違いとして最も適切なのはどれですか？ SHAPはゲーム理論に基づき、LIMEはモデルを単純化して解釈を行う SHAPはローカル解釈に特化し、LIMEはグローバル解釈に特化している SHAPは特徴量の重要度を計算し、LIMEはモデルの速度を向上させる SHAPはブラックボックスモデルには適用できない None 47. 変分オートエンコーダ（VAE）が従来のオートエンコーダと異なる点は何ですか？ ランダムノイズを加えて潜在空間を探索する 入力データを圧縮せずに直接再構成する 潜在変数の数が多い 出力がラベル付きデータである None 48. AI技術が「持続可能な開発目標（SDGs）」に貢献できる方法として適切なのはどれですか？ AIが全ての開発目標を無視すること AI技術を活用してエネルギー効率を改善し、貧困や教育、医療の分野での解決策を提供すること AIが全てのデータを削除すること AIが全ての開発目標を自動で設定すること None 49. スパースオートエンコーダが通常のオートエンコーダと異なる点は何ですか？ 潜在変数が全てのニューロンに分散される 潜在変数の一部だけが活性化されるように制約がかかる 重みの更新方法が異なる データの次元削減が行われない None 50. RPROP（Resilient Backpropagation）の特徴は何ですか？ 勾配を使用して更新を行う バッチ学習の方法を使用する 各重みに対して固定の学習率を使用する 更新の大きさを勾配の符号に基づいて調整する None 51. オートエンコーダにおいて、潜在変数（Latent Variables）が重要とされる理由は何ですか？ 再構成誤差を最小化するために直接利用されるため 高次元データを圧縮して重要な特徴を抽出するため デコーダの構造を単純化するため 入力データのラベルを付けるため None 52. AI開発委託契約における「ライセンス契約」とは何ですか？ 開発者が開発した技術を他社に販売するための契約 委託者が開発した技術を他社に販売するための契約 開発者が委託者に対して成果物の使用を許諾する契約 法律で定められた標準契約 None 53. オートエンコーダのエンコーダ部分の出力は何を示していますか？ 学習率 潜在変数（Latent Variables） 誤差関数 勾配の大きさ None 54. ブラックボックスモデルとは何ですか？ 予測結果のみが得られ、内部の処理が不透明なモデル 透明で理解しやすいモデル 単純な線形モデル 人工知能ではなく機械学習のモデル None 55. AIガバナンスにおける「説明責任」とは何を指しますか？ AIが下した決定に対して、開発者や運用者が責任を持ち、そのプロセスを説明できる必要があるため AIがすべての決定を自動で行うため AIがすべてのデータを削除するため AIがすべての作業を監視するため None 56. AI開発委託契約における「委託料の支払いスケジュール」はどのように決定されますか？ 法律で自動的に決定される 契約で取り決める必要がある 委託者が任意に決定する 開発者が任意に決定する None 57. 最適化手法において「局所最適解」とは何ですか？ モデルが収束する最良の点 訓練データの中で最適なサンプル 勾配がゼロになる点で、最適でない可能性がある モデルが一貫して高い精度を持つ状態 None 58. AI倫理において「倫理的影響評価」が必要とされる理由として最も適切なものを選んでください。 AIシステムの効率性を高めるため AI技術が社会に及ぼす影響を予測し、リスクを最小限に抑えるため AI技術の開発速度を遅らせるため 特定の技術を優先するため None 59. 最適化手法における「自動微分」とは何ですか？ 勾配降下法の別名 微分計算を自動化する手法 データの前処理手法 パラメータの最適化技術 None 60. LIMEを使用する際に考慮すべき重要な点は何ですか？ モデル全体を再訓練する必要がある モデルのパラメータを大幅に削減する モデルのローカルな部分での挙動を解釈するための手法であるため、グローバルな解釈には適さない 学習率を大幅に低下させる None 61. AI開発委託契約で「成果物の検収プロセス」とは、どのような目的で設定されるものですか？ 成果物が契約仕様を満たしているかを確認するため 成果物を第三者に公開するため 成果物を利用者に転売するため 成果物の著作権を移転するため None 62. AIにおいてデータの「ラベリング」とは何を指しますか？ データを削除すること データを無作為に分割すること データの次元を増やすこと データに対して正解を付けること None 63. 「責任の所在」がAI倫理において重要な理由は何ですか？ AIがすべての決定を自動で行うため AIが全ての責任を放棄するため AIがすべてのデータを削除するため AIが誤った決定を下した場合、誰がその結果に責任を持つべきかが明確でなければならないため None 64. 「プライバシーの保護」がAI倫理において重要な理由は何ですか？ AIが全てのデータを公開するため AIが個人のプライバシーを侵害しないようにするため AIが全てのプライバシーを削除するため AIが個人の情報を勝手に変更するため None 65. バッチサイズを選択する際の考慮点はどれですか？ データのサイズのみ モデルの精度のみ メモリの制約と計算速度 全ての選択肢 None 66. オートエンコーダにおいて、再構成されたデータの品質を改善するために使われる技術は次のどれですか？ バッチ正規化 L2正則化 ドロップアウト デノイジング None 67. 最適化手法の選択で重要な要因はどれですか？ データの種類 モデルのアーキテクチャ 学習速度と収束の安定性 全ての選択肢 None 68. 「相関係数」の範囲はどれですか？ 0から1まで -1から1まで 0から無限大まで -無限大から無限大まで None 69. 「アクティブラーニング」とはどのような手法ですか？ 全データに対して一度にラベリングを行う手法 ラベル付きデータを削除して学習する手法 データの次元を削減する手法 モデルが自動的に学習データを選んでラベル付けを行う手法 None 70. データの「正規化」とは何を目的とした処理ですか？ データを無作為に選択すること データをランダムに削除すること データの範囲を揃え、学習の効率を向上させること データの次元を増やすこと None 71. モデルの解釈性を犠牲にせずに精度を向上させるための技術として適切なのはどれですか？ 蒸留モデル（Model Distillation） ドロップアウト バッチ正規化 過学習の防止 None 72. 「t検定」が使用される場面はどのような場合ですか？ データの分散を求める場合 データを正規分布に従わせる場合 2つのグループの平均が統計的に有意に異なるかを検定する場合 データのばらつきを減少させる場合 None 73. AIガバナンスにおける「持続可能性」が考慮される理由は何ですか？ AI技術が長期的に社会に良い影響を与え続け、環境への悪影響を最小限に抑えるため AIがすべてのデータを削除するため AIがすべての判断を自動で行うため AIがすべてのリソースを無視するため None 74. 「AIの安全性」と「技術革新」をバランスさせるために必要な取り組みは何ですか？ AIの技術革新を完全に止めること AIが全ての技術を無視すること AIが技術革新を自動で行うこと AIの安全性を確保しつつ、技術革新を進めるために倫理的なガイドラインを導入すること None 75. モデルの軽量化とは何を指しますか？ モデルの性能を高めること モデルのパラメータ数や計算量を減少させること モデルのデータセットサイズを増加させること モデルの学習時間を長くすること None 76. データの前処理において「正規化」が重要となる理由は何ですか？ データをランダムに並び替えるため 特徴量のスケールが異なる場合、モデルが学習しやすくなるため データの次元を減らすため モデルのパラメータ数を減らすため None 77. GAN（Generative Adversarial Networks）はどのようにデータ拡張に関連していますか？ GANはデータを直接ラベル付けする GANはデータ拡張を必要としない GANは新しいデータを生成することでデータ拡張を行う GANはデータを正規化する None 78. オートエンコーダを使った異常検知において、異常なデータはどのように検出されますか？ 再構成誤差が大きい場合 デコーダの出力が正確な場合 潜在変数が固定されている場合 入力データがラベル付きの場合 None 79. ニューラルネットワークの学習において使用される「勾配降下法」とは何を指しますか？ 最適化問題で勾配を最大化する手法 損失関数を最小化するための反復的な手法 モデルのパラメータを固定する手法 損失関数を最小化するための確率的手法のみを指す None 80. オートエンコーダが他のニューラルネットワークと異なる特徴はどれですか？ ラベル付きデータを必要としない 活性化関数を使用しない 勾配消失問題を持たない 出力層を持たない None 81. データの特徴量を増やすことがモデル性能を向上させる場合、最も適切なアプローチはどれですか？ 無関係な特徴量を追加する すべての特徴量を削除してランダムな値を使用する データをそのまま使用する 既存の特徴量を組み合わせて新しい特徴を生成する None 82. 解釈性の高いモデルとして知られるものはどれですか？ ニューラルネットワーク サポートベクターマシン（SVM） k-近傍法（k-NN） 決定木（Decision Tree） None 83. モデル軽量化を行う際に使用される「スパース性」とは何ですか？ モデルがトレーニング時にランダムに動作すること モデル内の多くのパラメータがゼロ値を持つこと モデルが複数のデータセットを使用すること モデルが非常に大きくなること None 84. オートエンコーダが次元削減に適している理由は何ですか？ 出力層の活性化関数が特別だから エンコーダとデコーダの層数が多いから 潜在変数がデータの重要な特徴を保持するから ラベル付きデータを使うから None 85. AIガバナンスにおける「倫理的ガイドライン」の役割は何ですか？ AIシステムが社会に与える影響を考慮し、倫理的問題を防ぐための枠組み AIが全ての判断を下すための規則 AIがすべてのデータを無視するため AIが自動で全ての作業を行うため None 86. データ拡張において、音声データの「時間引き伸ばし（Time Stretching）」の主な効果は何ですか？ データのラベルを変更せずに、再生速度を変更してモデルの適応能力を向上させる 音声データの周波数特性を変更して分類性能を向上させる 音声データにノイズを追加して耐性を強化する データの時間的構造を破壊することで汎化性能を高める None 87. AIガバナンスにおいて「監査」が必要な理由は何ですか？ AIシステムの運用が適切かどうかを定期的に監視し、問題がないか確認するため AIがすべてのデータを公開するため AIが全ての作業を自動で行うため AIがデータを勝手に変更するため None 88. AIシステムの意思決定プロセスにおける説明可能性を確保する際、技術的に不適切な手段はどれですか。 システムのアルゴリズムを可視化する データ入力と出力の関係を解析する ユーザー向けに判断理由を簡潔に説明する 開発者がアルゴリズムを秘匿する None 89. AIサービス提供契約で、利用者がサービスを運用中に規約違反を犯した場合、提供者がサービスを停止する権利を行使する主な理由として適切なのはどれですか？ 規約違反があっても、提供者には停止権はない 提供者が利用者の行動を監視して収益を上げるため 規約違反に関わらず、利用者に常時サービスを提供する義務があるため 利用者が規約に違反した場合、サービス提供者に法的責任が及ぶ可能性があるから None 90. AIガバナンスにおいて「透明性」が重要視される理由は何ですか？ AIがすべてのデータを隠すため AIの決定プロセスが不透明だと、利用者がその結果を信頼できなくなるため AIがすべてのデータを公開するため AIがすべての判断を自動で行うため None 91. AI開発委託契約において、第三者の知的財産権を侵害していることが判明した場合の対応として、委託者が考慮すべき事項は何ですか？ 契約に基づき、開発者に責任を負わせるか、対応を協議する 開発者に無条件で責任を負わせる 契約を無効にする 知的財産権の侵害を無視する None 92. モデル解釈性を向上させるために「代理モデル」が使用される理由はどれですか？ モデルの精度を上げるため 複雑なモデルの振る舞いをシンプルなモデルで近似し、解釈性を向上させるため モデルのパラメータを減らすため モデルのトレーニング時間を短縮するため None 93. バッチ勾配降下法の特徴は何ですか？ 各イテレーションでデータポイントを1つだけ使用する 複数のデータポイントを使用するが、各バッチが固定されている 学習率が固定されている 全てのデータポイントを使用して勾配を計算する None 94. モデル解釈性を向上させるための代表的な手法の一つとして「注意機構（Attention Mechanism）」があるが、その主な目的は何ですか？ モデルの計算速度を向上させる モデルがどの特徴に注目しているかを明示する モデルのパラメータを削減する モデルの正則化を行う None 95. AI倫理における「公正性」と「平等性」の違いとして適切なのはどれですか？ 公正性は個別の状況に応じた扱い、平等性は全ての人を同じように扱うこと 公正性は全ての人に同じ結果を提供すること、平等性は全ての人に異なる結果を提供すること 公正性は特定のグループを優遇すること、平等性は全ての人を無視すること 公正性は全ての人に同じ結果を提供すること、平等性は特定のグループを優遇すること None 96. AI倫理において「データバイアス」を検出・解消するために必要な最も重要な取り組みとして適切なものを選んでください。 収集したデータの多様性を確認し、不足しているデータを補完する データ収集を完全に停止する データ分析をアルゴリズムに任せる 特定のデータセットに依存する設計を優先する None 97. AI開発委託契約で「成果物のエラーやバグが発見された場合」に、受託者に求められる対応として適切なのはどれですか？ 委託者が独自にエラーを修正する 受託者が無償で修正し、再納品する 成果物をそのまま使用する エラーが発生しても責任を問わない None 98. AIにおいて「正規分布」がよく使用される理由は何ですか？ 多くの自然現象が正規分布に従うため データが常に対称分布を示すため 外れ値が存在しないため データの分布が一定であるため None 99. AIサービス提供契約において、「契約の解除条件」はどのように定められますか？ 法律で一律に定められている サービス提供者が一方的に決定する 契約で明示的に取り決められる 委託者が自由に決定する None 100. データ拡張が必要となる理由は何ですか？ 訓練データのサイズが非常に小さい場合 モデルの複雑さを増やすため 推論時の計算コストを減らすため 学習率を下げるため None 101. AI開発委託契約において、進捗報告を義務付けることの目的は何ですか？ 開発の進行状況を把握し、問題発生時に早期対応できるようにするため 開発者の能力を評価するため 契約の終了を早めるため 委託者が開発者を監視するため None 102. モデルの軽量化に関連する「ハフマン符号化」とは何ですか？ モデルの精度を高めるための手法 モデルのパラメータを圧縮するための手法 モデルのデータセットを増やすための手法 モデルの計算速度を低下させる手法 None 103. AIガバナンスにおいて、「データ主権」の概念が重要視される理由として適切なものを選んでください。 個人や国家が自分のデータに対する管理権を持つことを保証するため データの商業利用を制限するため データ収集を完全に禁止するため データ取引の自由を促進するため None 104. AIサービス提供契約において、提供されたデータに誤りがある場合、サービス提供者が負うべき責任は何ですか？ 提供データの修正義務と損害賠償の責任 提供データを削除する責任 提供データに関しては責任を負わない データを無制限に使用できる権利 None 105. モデルの軽量化で「ハードウェアアクセラレーション」を活用する理由は何ですか？ モデルのサイズを増やすため モデルの精度を低下させるため モデルのトレーニング時間を延長するため モデルのパフォーマンスを最大化するために専用のハードウェアを使用する None 106. AI技術の開発における「倫理的デザイン」が求められる理由は何ですか？ AIが全てのデザインを無視するため AIが人間の倫理基準に基づいて設計されることで、技術の悪用を防ぐため AIが全ての設計を自動で行うため AIがすべてのデザインを削除するため None 107. AIガバナンスにおいて「社会的責任」が強調される理由は何ですか？ AIがすべてのデータを公開するため AIがすべての決定を隠すため AIがすべてのデータを削除するため AIシステムが社会に対して悪影響を及ぼした場合、その影響を最小限に抑える責任があるため None 108. AIサービス提供契約における「知的財産権の帰属」はどのように決定されますか？ サービス提供者に自動的に帰属する 委託者に自動的に帰属する 契約で取り決められる 法律で自動的に定められる None 109. AI技術における「データの正確性」を確保するために重要な取り組みは何ですか？ AIが全てのデータを削除すること データ収集の段階から正確で信頼性の高いデータを使用し、定期的に更新・検証すること AIが全てのデータを無視すること AIが全てのデータを自動で生成すること None 110. AIサービス提供契約において「サービスの停止」が可能となる理由として、正しいものはどれですか？ 委託者がサービス料金を支払わない場合 サービス提供者が新しい技術を試すため 委託者がサービスの使用方法を変更する場合 サービス提供者が契約を無効にするため None 111. 「データの正規化」と「標準化」の違いは何ですか？ 正規化はデータを削除することであり、標準化はデータを増やすことである 正規化はデータの次元を減らし、標準化は次元を増やす 正規化はデータのスケールを0から1の範囲に収め、標準化は平均0、標準偏差1に変換する 正規化はデータのバイアスを減らし、標準化はノイズを増やす None 112. 「尤度関数」とは何ですか？ あるモデルがデータをどの程度よく説明しているかを示す指標 モデルの分散を最小化する関数 データを標準化するための関数 データのばらつきを示す指標 None 113. スパースオートエンコーダが入力データに対して「スパースな表現」を学習する目的は何ですか？ 潜在変数の次元数を増やすため エンコーダとデコーダの計算量を削減するため 再構成誤差をゼロにするため 必要最小限の特徴のみを学習することで、ノイズや冗長性を排除するため None 114. AIガバナンスにおける「透明性」が重要視される背景として適切なものを1つ選んでください。 AIのパフォーマンスを最大化するため AIシステムの意思決定に信頼を確保するため AI開発のコストを削減するため AIシステムを完全に制御するため None 115. 「データのスケーリング」を行わないと発生する問題は何ですか？ モデルの学習が収束しない可能性がある モデルの複雑さが増す データが削除される モデルのパラメータ数が増える None 116. AIサービス提供契約において、委託者がサービスを利用する上で負うべき責任は何ですか？ サービスの利用に関する法的遵守とデータ提供の責任 サービス提供者の技術サポートを受ける義務 サービス提供者の知的財産権の譲渡 サービスの開発を支援する責任 None 117. 変分オートエンコーダ（VAE）の損失関数に含まれる「KLダイバージェンス」は何を表しますか？ モデルの誤差を最小化する値 出力層での分類精度 活性化関数の変化量 潜在変数の確率分布と正規分布との違い None 118. AI開発委託契約における「成果物の所有権」に関して、最も一般的な取り決めはどれですか？ 開発者が常に所有権を持つ 委託者が常に所有権を持つ 契約で明示的に取り決めた場合に所有権が決まる 法律で自動的に所有権が決まる None 119. AI開発委託契約で、開発中に新たな技術やノウハウが発見された場合、それらの知的財産権の取り扱いを決めるために契約に盛り込むべき内容は何ですか？ すべての新技術は受託者に帰属する 新技術の利用を全面的に禁止する 委託者が無条件で新技術を利用する権利を持つ 新技術の権利を双方で共有するか、利用範囲を明確に定める None 120. 次のうち、オートエンコーダが適用される典型的なタスクはどれですか？ クラス分類 物体検出 ノイズ除去 時系列予測 None 121. AI開発委託契約において「成果物の品質保証期間」は通常どのように設定されますか？ 成果物の引渡し後、契約で定めた期間 成果物の引渡し後、無期限 成果物の引渡し前にのみ適用される 法律で自動的に定められる None 122. モデルの軽量化における「パラメータシェアリング」とは何ですか？ 異なるモデル間で同じデータを共有すること データの分割手法 モデルの出力層を複数持つこと モデル内で同じパラメータを複数の層で再利用すること None 123. AI開発において、委託者が成果物に満足できなかった場合、どのような措置を取るべきですか？ 自ら修正する 開発者に罰金を科す 開発者を変更する まず契約に基づく瑕疵修正を開発者に求める None 124. AIガバナンスにおける「公平性」とは何を指しますか？ AIがすべての人に同じ結果を提供すること AIが特定のグループに有利な結果をもたらすこと AIが平等な処理を行い、偏見や差別を回避すること AIがすべての判断を無視すること None 125. モデル軽量化の手法として「ディープコンプレッション（Deep Compression）」に含まれる3つの主要なステップはどれですか？ 量子化、プルーニング、エンコード プルーニング、正規化、アクティベーション 量子化、逆伝播、勾配消失 エンコード、デコーディング、正則化 None 126. モデルの軽量化における「ディープラーニングアクセラレーションチップ」の利点は何ですか？ 専用ハードウェアにより計算効率を大幅に向上させることができる モデルの学習時間を長くする モデルの精度を向上させるために必要 モデルのサイズを増やす None 127. データの「オーバーフィッティング」を防ぐために使用される一般的な手法はどれですか？ データ拡張や正則化 モデルのサイズを増やす データの一部を削除する モデルのパラメータを無作為に設定する None 128. 勾配降下法のバリエーションとして「確率的勾配降下法（SGD）」がありますが、これの特徴は何ですか？ 各イテレーションで1つのサンプルを使用して勾配を計算する 全てのデータを使用して勾配を計算する バッチサイズを使用して勾配を計算する 自動的に学習率を調整する None 129. モーメンタム法の主な利点は何ですか？ 学習速度が一定である 過剰適合を防ぐ 局所最適解に陥るリスクを減少させる 計算コストを減らす None 130. AIガバナンスにおいて「データセキュリティ」が重要視される理由は何ですか？ AIがすべてのデータを公開するため AIシステムが大量のデータを扱うため、そのデータが不正にアクセスされないように保護する必要があるため AIがすべての決定を隠すため AIがすべてのデータを削除するため None 131. 「分散」とは何を意味しますか？ データの最大値と最小値の差 データのばらつきを示す指標 データの中央値 データの確率分布を示す関数 None 132. AIガバナンスにおいて、企業が「リスク管理」を強化する理由として適切でないものを1つ選んでください。 法規制への違反を防ぐため 社会的信用を維持するため 競合他社の技術を排除するため ユーザーへの安全性を確保するため None 133. AI技術における「人間中心設計」が推奨される理由は何ですか？ AIがすべてのデータを自動で処理するため AIが人間の価値観や倫理観に基づいて設計され、人間の幸福や利益に貢献することが重要であるため AIがすべての作業を手動で行うため AIがすべてのデータを削除するため None 134. AI技術において「長期的影響」を考慮する必要がある理由は何ですか？ AIがすべての影響を無視するため AIがすべての影響を自動で計算するため AIがすべてのデータを削除するため AIが社会や環境に与える影響が長期にわたって継続する可能性があるため None 135. データの収集において「データプライバシー法（例: GDPR）」に従わない場合のリスクは何ですか？ データの質が低下する 法的な制裁を受ける可能性がある モデルの精度が低下する データ量が減少する None 136. VAEが新しいデータを生成できる理由は何ですか？ 正規分布に基づくサンプリングが行われるから ランダムなノイズが常に入力されるから 潜在変数が固定されているから モデルが過学習を避けるため None 137. 主成分分析（PCA）の主な目的は次のうちどれですか？ モデルの精度を向上させる データの次元を削減し、情報を効率的に保持する 特徴量間の相関関係を削除する データを標準化する None 138. AI開発委託契約で成果物の納期が遅れた場合の対応として、委託者が契約解除を選択できる条件は何ですか？ 委託者の判断で自由に解除できる 契約で明示的に解除条件が定められている場合 納期に関係なく契約を解除できる 納品後に解除を選択できる None 139. AIガバナンスにおける「人権の保護」の重要性は何ですか？ AIがすべての人権を無視するため AIが個人のプライバシーや平等の権利を侵害する可能性があるため AIがすべてのデータを削除するため AIがすべての判断を公開するため None 140. モデルの解釈性とは何を指しますか？ モデルが複雑であること モデルがどのようにして予測や判断を行ったかを説明できること モデルの性能が高いこと モデルが高速に動作すること None 141. AIガバナンスにおける「データの正確性」を確保するために必要な取り組みは何ですか？ AIがすべてのデータを削除すること AIがすべてのデータを無視すること AIがすべてのデータを自動で生成すること データ収集の段階から正確で信頼性の高いデータを使用し、定期的に更新・検証すること None 142. オートエンコーダはどのようなタイプのニューラルネットワークですか？ 教師あり学習モデル 強化学習モデル 自己教師あり学習モデル 無教師あり学習モデル None 143. 「ハイパーパラメータチューニング」を行う際に、過学習を防ぐための適切な手法はどれですか？ 学習データを増加させる 検証データを使用してモデルのパフォーマンスを評価する ハイパーパラメータをランダムに設定する データをすべてトレーニングデータとして使用する None 144. AI技術の「社会的責任」とは何を指しますか？ AIが全ての責任を無視すること AIが全てのデータを削除すること AIが全ての責任を自動で負うこと AIを開発・運用する企業や個人が、AIの利用が社会に及ぼす影響について責任を持つこと None 145. モデル軽量化において「層間結合の削減」を行う理由は何ですか？ モデルのパラメータ数を削減し、計算コストを減らすため モデルの精度を向上させるため データセットを圧縮するため モデルのトレーニング時間を増加させるため None 146. オートエンコーダの出力が入力と同一であることを確認するために使用される損失関数はどれですか？ クロスエントロピー損失 Hinge損失 正則化損失 平均二乗誤差（MSE） None 147. AI倫理における「説明責任」と「説明可能性」の違いについて最も適切な説明を選んでください。 説明責任は開発者にのみ求められるが、説明可能性は利用者に求められる 説明責任は法律上の義務であり、説明可能性は任意で提供される情報である 説明責任と説明可能性は同義である 説明責任は結果に対する責任であり、説明可能性はAIシステムの判断プロセスを理解可能にすることを指す None 148. データ拡張の主な目的は何ですか？ モデルのパラメータ数を増加させる 訓練データの多様性を高め、過学習を防ぐ 訓練時間を短縮する モデルの精度を下げる None 149. AI開発委託契約での「品質保証」とは、どのような意味を持ちますか？ 委託者が自由に品質を決定できること 開発者が品質管理を行わないこと 成果物が契約条件に従って適切に動作することを保証すること 成果物が常に最新技術に基づいていること None 150. 自然言語処理（NLP）におけるデータ拡張の難しさは何ですか？ 文法や意味が崩れやすいため データセットのサイズが増えるため ラベル付きデータが多く必要なため モデルが拡張データを学習しにくい None 151. データのバイアスとは何を指しますか？ 特定の傾向に偏ったデータ データの欠損を意味する データ量が多すぎること データの正規化が不十分なこと None 152. AIサービス提供契約において、「委託者が提供したデータの著作権」に関する取り決めはどのように定められるべきですか？ 著作権は委託者に自動的に帰属する 契約で取り決める必要がある 著作権はサービス提供者に自動的に譲渡される 法律で一律に定められる None 153. AIサービス提供契約で「知的財産権の共有」を設定する場合、注意すべき点は何ですか？ 知的財産権の行使に関する使用範囲や制限を明確にする必要がある 知的財産権は常に委託者に帰属させる必要がある 契約において知的財産権に言及する必要はない 知的財産権は一方的に譲渡される None 154. Adamオプティマイザーの特長は何ですか？ 固定された学習率を使用する モーメンタムを使用しない 自動的に学習率を調整する 各パラメータに対して同じ更新を行う None 155. AIガバナンスにおける「アルゴリズムのバイアス」を解消するための方法として、最も適切なのはどれですか？ AIシステムを全て削除する データの多様性を確保し、アルゴリズムが特定のグループに偏らないように設計・検証すること AIがすべての判断を無視すること AIがすべてのデータを削除すること None 156. AI倫理における「公平性」とは何を意味しますか？ 全ての人に平等なアクセスを提供すること 特定のグループに有利な結果を提供すること AIが決定を自動で行うこと AIがすべてのデータを削除すること None 157. AIサービス提供契約における「責任制限条項」とは何を目的としたものですか？ サービス提供者の全責任を免除するため 提供者が負う責任の上限を明確に定めるため サービスの利用範囲を制限するため 契約を解除する条件を示すため None 158. AI開発委託契約において、「追加開発」が必要になった場合の取り決めとして適切なのはどれですか？ 開発者が無償で対応する 委託者が新たな契約を交わして費用を負担する 双方で調整せずに追加作業を進める 委託者が自ら追加開発を行う None 159. AI開発委託契約において「契約解除の条件」とは何ですか？ 契約が自動的に終了する条件 委託者が納期を守らない場合の条件 開発者が納品物を納期前に提出する条件 契約が解約される際の条件を明記したもの None 160. 線形代数の「特異値分解（SVD）」は、どのような目的で使用されますか？ 行列のランクを求めるため 行列を分解し、データの次元削減や圧縮に利用するため データのノイズを増加させるため データの相関を減らすため None Time's up
