G検定～模擬試験⑤～ 2024年12月6日 ailearn 1. 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 2. 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 3. 「ポアソン分布」の適用範囲として最も適切なのはどの状況ですか？ 連続データの分布をモデル化する場合 多変量データを分析する場合 データのばらつきを最小化する場合 一定の時間内に発生する稀なイベントの発生回数をモデル化する場合 None 4. AIモデルを学習させる前に「データの分割」を行う理由は何ですか？ データを削除するため データの質を落とすため モデルの精度を検証するため モデルの複雑さを増やすため None 5. 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 6. 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 7. 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 8. AI開発委託契約における「データ提供に関する条項」では何が明記されるべきですか？ 開発に使用するデータの提供元とデータの取り扱いに関する条件 データを無制限に利用できる権利 開発者が全てのデータを提供する義務 委託者がデータを販売する権利 None 9. 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 10. 「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 11. AIガバナンスにおける「イノベーションの促進」と「リスク管理」のバランスをとるために重要なことは何ですか？ リスク管理を無視してイノベーションを優先すること イノベーションを抑制し、すべてのリスクを避けること AIがすべてのリスクを自動で管理すること リスク管理を行いながら、イノベーションが阻害されないようにするためのガイドラインや規制を整備すること None 12. スパースオートエンコーダが有効な理由は何ですか？ データ全体を網羅的に処理するため データの冗長性を除去し、重要な特徴を強調するため 活性化関数を変更できるため 大量のラベル付きデータが必要だから None 13. 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 14. 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 15. 「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 16. AIモデルの評価指標として「回帰モデル」において用いられる指標はどれですか？ 精度（Accuracy） 再現率（Recall） 平均二乗誤差（MSE） 混同行列（Confusion Matrix） None 17. AI開発委託契約において「知的財産権の帰属」はどのように決定されますか？ 開発者に自動的に帰属する 委託者に自動的に帰属する 契約で取り決める必要がある 法律で決定される None 18. 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 19. 「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 20. 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 21. 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 22. 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 23. 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 24. ニューラルネットワークの学習過程で、勾配消失問題（Vanishing Gradient Problem）が発生する原因として最も適切なのはどれですか？ 活性化関数の勾配が非常に小さくなる 学習率が過大である データが標準化されていない 活性化関数がReLU以外の場合のみ発生する None 25. 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 26. 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 27. 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 28. 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 29. データ拡張において、ランダムクロッピング（Random Cropping）は何を行いますか？ 画像全体を小さくする 画像の一部を拡大する 画像の一部をランダムに切り取る 画像を水平反転する None 30. 「カットミックス（CutMix）」というデータ拡張手法の主な特徴として正しいものを選んでください。 2つの画像をランダムに切り取り、ラベルを線形補間して混ぜる 画像をランダムに切り取って黒塗りにする ノイズを追加してラベルを変化させる 画像を複数のセグメントに分割してランダムに並べ替える None 31. モデルの解釈性が低い場合、どのようなリスクが生じますか？ 訓練データが増える モデルのパフォーマンスが向上する モデルの予測結果を信頼できなくなる 学習率が下がる None 32. 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 33. AIサービス提供契約において、サービス提供者が委託者に対して行う保証の内容として、一般的に含まれるものはどれですか？ サービスの無停止稼働を保証 サービスが契約条件に従って正常に機能することの保証 サービスが委託者のビジネス成功を保証 サービスの無償提供 None 34. 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 35. 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 36. 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 37. 「ラプラス変換」は、AIでどのように利用されますか？ データを標準化するため 微分方程式を解く際に使用されるため、特に制御理論や信号処理で活用される データの次元を削減するため データのばらつきを減らすため None 38. AIサービス提供契約で「不可抗力条項」が意味するものは何ですか？ サービス提供者が契約を自由に解除できる条件 委託者が無条件で契約を解約できる条項 サービスの料金を変更できる条件 予測不可能な事態により契約の履行が不可能になる場合の免責条項 None 39. 「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 40. 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 41. 「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 42. 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 43. 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 44. AIガバナンスにおいて「説明可能性」が必要とされる理由は何ですか？ AIが自動で全ての決定を行うため AIがすべての判断を自動で行うため AIの決定を人間が理解できる形で説明できる必要があるため AIが全てのデータを無視するため None 45. 「低ランク近似」によるモデル軽量化が有効とされる理由はどれですか？ 全てのパラメータを削除できる モデルサイズが変化しない 行列分解により計算負荷を削減できる モデルの学習速度が遅くなる None 46. 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 47. オートエンコーダのアーキテクチャには、次のどの層が含まれますか？ 畳み込み層とプーリング層 入力層と出力層のみ エンコーダ層とデコーダ層 隠れ層のみ None 48. 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 49. AIガバナンスにおける「法的枠組み」の役割は何ですか？ AIがすべての法律を無視するため AI技術が社会に悪影響を及ぼさないよう、法律や規制によって運用を制限するため 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 None 50. 「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 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 53. GANを使用したデータ拡張の利点は何ですか？ 現実に近い新しいデータを生成できるため、データセットのサイズを効率的に増やせる データ拡張が不要になる トレーニングデータを削除できる モデルの性能が自動的に向上する None 54. 「安全性」がAIシステムにおいて重要視される理由は何ですか？ AIがすべての危険を無視するため AIがすべての作業を自動で行うため AIがデータをすべて削除するため AIが予測不能な行動を取ると、深刻な事故や問題を引き起こす可能性があるため None 55. 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 56. 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 57. AI開発委託契約において、開発中に新たに発見された技術やノウハウの知的財産権の取り扱いをどうするかは、どのように取り決めるべきですか？ 契約に基づき事前に取り決めておく必要がある 開発者が自動的に所有する 委託者が自動的に所有する 契約とは関係なく開発者が自由に利用できる None 58. モデルの軽量化において「量子化（Quantization）」の役割は何ですか？ モデルの精度を向上させる モデルの計算精度を低下させる モデルのパラメータを低精度な数値に置き換えることで計算コストを削減する モデルの訓練時間を増やす None 59. 「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 60. グローバルな解釈性とは何ですか？ モデル全体の動作やパラメータの役割を説明する手法 特定のデータポイントに対する解釈を行う手法 データのクレンジングを行う手法 モデルの速度を評価する手法 None 61. 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 62. 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 63. ディープラーニングモデルにおいて「ヒートマップ」が解釈性向上のために使われる場面として適切なのはどれですか？ テキスト生成タスク 画像認識タスク 時系列データ解析タスク 数値回帰タスク None 64. 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 65. 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 66. 「モンテカルロ法」がAIにおいて有用である理由は何ですか？ 確率分布に基づいて複雑な問題を数値的に解く手法であり、サンプリングによって結果を推定できるため データの次元を削減するため モデルのパラメータを最適化するため データの欠損を補完するため None 67. AI技術の使用において「透明性」が求められる理由は何ですか？ AIがすべての決定を公開するため AIがどのようにして決定を下しているのかがわからないと、結果の正当性や信頼性が失われるため AIが全てのデータを隠すため AIがすべての判断を自動で行うため None 68. AI倫理において「国際協力」が求められる理由として適切なものを1つ選んでください。 各国の競争を促進するため 世界共通の基準を確立し、AI技術の公平な利用を促進するため AI技術を完全に規制するため 特定の国がAI技術を独占できるようにするため None 69. 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 70. 「次元削減」を行う際に用いられる代表的な手法はどれですか？ データ拡張 データ分割 主成分分析（PCA） データのスケーリング None 71. AIプロジェクトで「データのクレンジング」が必要となる理由として最も適切なのはどれですか？ データを匿名化するため データの正規分布を確認するため データの質を向上させ、分析の正確性を高めるため データを分割するため None 72. AIガバナンスにおいて「ディープフェイク」のような悪用に対する対策が必要な理由は何ですか？ AIがすべてのフェイクを作成するため AIがすべてのフェイクを隠すため AIを利用したディープフェイクは、社会に混乱をもたらし、信頼性を損なうリスクがあるため AIがすべてのフェイクを自動で処理するため None 73. 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 74. 「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 75. 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 76. 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 77. AIガバナンスにおける「プライバシー保護」が重要な理由は何ですか？ AIがすべてのデータを削除するため AIが個人情報を扱う際に、プライバシー侵害のリスクを防ぐため AIがすべての決定を自動で行うため AIがデータを勝手に変更するため None 78. 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 79. データ拡張はどのようなタイプの学習において効果的ですか？ 無教師あり学習 教師あり学習 強化学習 深層強化学習 None 80. 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 81. 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 82. AIサービス提供契約において「利用停止権」がサービス提供者に認められる場合、その行使条件として適切なものは何ですか？ サービスが委託者に必要ないと判断された場合 委託者が契約条件に違反した場合 サービス提供者が他の契約を優先したい場合 サービスの更新が必要な場合 None 83. 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 84. AI開発委託契約で、成果物が「第三者の知的財産権を侵害している」と判明した場合、委託者の対応として適切なのはどれですか？ 成果物をそのまま使用し続ける 委託者が第三者との交渉を行う 受託者に責任を求め、成果物の修正または代替品の提供を要求する 成果物の利用を中止し、契約を終了する None 85. データ加工において「次元削減」が行われる理由は何ですか？ データ量を増やすため モデルのパフォーマンスを向上させるため データの関連性を減らすため データのノイズを増加させるため None 86. 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 87. AIサービス提供契約における「秘密保持義務」はどのような情報に適用されるべきですか？ 双方が機密と認めた情報にのみ適用される すべての情報に適用される 委託者が提供したデータにのみ適用される サービス提供者の技術にのみ適用される None 88. 「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 89. 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 90. 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 91. RMSPropが「AdaGrad」の課題を解決するために導入した主な改善点は何ですか？ 学習率を完全に固定した パラメータ更新をミニバッチ単位で行う 損失関数を動的に変更する 勾配の移動平均を計算する仕組みを追加した None 92. AI開発委託契約において「瑕疵担保責任」とは何ですか？ 開発者が納期を守る責任 開発者が納品した成果物に欠陥があった場合、その修正や損害賠償を負う責任 委託者が開発費用を支払う責任 契約のキャンセルに関する責任 None 93. AIにおける「確率分布」とは何を意味しますか？ データの変動範囲を示すもの ある変数が特定の値をとる確率を表す関数 データの分散を求めるための手法 AIモデルのトレーニングに使用されるアルゴリズム None 94. モデル軽量化において「量子化後のファインチューニング」が必要な理由は何ですか？ モデルのパラメータを増やすため 量子化による精度低下を最小限に抑えるため モデルのトレーニングデータを増やすため モデルの計算量を増加させるため None 95. 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 96. 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 97. VAEにおける「再構成誤差」と「KLダイバージェンス」のバランスを取る理由は何ですか？ モデルの学習速度を向上させるため データの再構成精度と生成データの多様性を同時に向上させるため パラメータ数を削減するため 活性化関数を最適化するため None 98. 「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 99. 「主成分分析（PCA）」がデータ解析で重要視される理由は何ですか？ データを標準化するため データのノイズを増やすため データの次元削減を行い、データの本質的な情報を抽出するため データの欠損を補完するため None 100. データ拡張を使用する場合、どのような注意が必要ですか？ データ拡張が過度にならないように調整する必要がある 常に最大限のデータ拡張を行う データ拡張を行わない方が良い ラベルを変える必要がある None 101. AI技術が「ディープフェイク」のような悪用に対処するために必要な対策は何ですか？ AIの技術を使ってディープフェイクの検出や防止を行い、法的規制を整備すること AIが全てのデータを公開すること AIが全てのフェイクを無視すること AIが全てのフェイクを削除すること None 102. 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 103. 学習率が小さすぎると、どのような問題が発生しますか？ 学習が収束しない 学習速度が遅くなる モデルが過剰適合する バッチサイズが固定される None 104. モデルの軽量化の手法として「プルーニング（Pruning）」とは何ですか？ 不必要なパラメータやニューロンを削除する手法 モデルの構造を複雑化する手法 データセットを増やす手法 学習率を変更する手法 None 105. 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 106. AIシステムの導入において「社会的責任」を果たすために企業が最優先で行うべきことはどれですか。 利益を最大化する戦略を構築する AIが引き起こす可能性のある社会的影響を評価する 技術的競争に勝つための資金を増やす 社会的責任についての議論を回避する None 107. 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 108. 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 109. 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 110. 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 111. 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 112. 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 113. 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 114. AIサービス提供契約において、委託者がサービス提供者に対して持つ権利として、一般的に認められるものはどれですか？ サービス提供者の知的財産権を取得する権利 サービスの停止を要求する権利 サービス提供者に罰金を科す権利 サービスの品質に関する保証を求める権利 None 115. 勾配降下法の目的は何ですか？ モデルの精度を向上させること 損失関数を最小化すること 学習率を調整すること 特徴量を選択すること None 116. 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 117. SHAP（Shapley Additive exPlanations）とは何ですか？ モデルのパラメータを最適化する手法 モデルの各特徴量が予測にどの程度貢献しているかを定量化する手法 モデルの過学習を防ぐ手法 データの前処理手法 None 118. 「逆伝播法（Backpropagation）」がモデル解釈性に与える影響は何ですか？ モデルの計算量を増加させる モデルの性能を低下させる 訓練データを必要としなくなる 特定の予測に対する寄与度を確認するために使用できる None 119. AIサービス提供契約における「データの保存期間」はどのように決定されますか？ 法律で決定される 委託者の判断で決定される 契約によって明示的に定められる サービス提供者が一方的に決定する None 120. オートエンコーダの主な目的は何ですか？ 画像生成 次元削減と特徴抽出 データの分類 出力層の誤差を減らす None 121. 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 122. 「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 123. 学習率減衰（Learning Rate Decay）の目的は何ですか？ 学習率を段階的に減少させること 学習率を増加させること 学習を早く終わらせること モデルの複雑さを増すこと None 124. 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 125. モデルの軽量化手法として「低ランク近似」を用いる場合の主な目的は何ですか？ モデルの精度を向上させる データセットを小さくする モデルのパラメータを減少させ、効率化を図る モデルの学習時間を増やす None 126. モデル解釈性の評価に使われる指標として正しいものはどれですか？ 混同行列 精度（Accuracy） 説明可能性（Explainability） AUC None 127. AI技術における「倫理的影響」を監視するために必要なメカニズムは何ですか？ AIがすべての倫理的影響を無視すること AIがすべてのデータを自動で削除すること 独立した倫理委員会を設置し、AIの使用が社会や個人に与える影響を定期的に監視すること AIが全ての倫理的影響を自動で報告すること None 128. 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 129. 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 130. 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 131. モデルの軽量化を行う主な目的は何ですか？ モデルの精度を向上させるため モデルの計算リソースを削減し、実行速度を向上させるため モデルをより複雑にするため モデルのトレーニングデータを増やすため None 132. AIシステムが倫理的に使用されるために「説明可能性」が求められる理由は何ですか？ AIの決定が人間に理解可能でなければ、その結果がなぜ出たのか分からないため AIが自動で全てを説明するため AIがすべてのデータを削除するため AIが説明を不要とするため None 133. 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 134. 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 135. オンザフライデータ拡張の利点は何ですか？ データ拡張を事前に行うことで、計算資源を節約できる データセットを圧縮する データの正規化を行う トレーニング中にリアルタイムで異なるデータバリエーションを提供し、モデルがより多様なデータを学習できる None 136. 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 137. 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 138. 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 139. AIガバナンスにおける「監視体制の強化」が重要視される理由は何ですか？ AIがすべての判断を無視するため AIシステムが誤作動を起こした場合に迅速に対処し、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がすべての決定を隠すため None 140. 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 141. 「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 142. 「Adamオプティマイザー」がRMSPropに比べて有利な点として最も適切なものはどれですか？ 一次モーメントと二次モーメントの両方を利用している 学習率が自動的に減少する バッチサイズの選択が不要である 勾配消失問題を完全に解決する None 143. 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 144. 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 145. 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 146. 「学習率減衰（Learning Rate Decay）」が特に有効となる場面はどれですか？ 初期学習段階で収束速度を上げたい場合 勾配が発散しやすいモデルの場合 学習の後半で微調整を行いたい場合 モデルの汎化性能を完全に改善する場合 None 147. データ拡張を用いたときに、モデルの過学習が防がれる理由は何ですか？ 拡張データが元のデータに過度に依存しなくなるため 学習率が自動的に調整されるため 勾配が消失しないようにするため モデルのパラメータが少なくなるため None 148. オートエンコーダの潜在変数（Latent Variables）とは何ですか？ データの次元削減された表現 訓練データの分類結果 データの誤差関数 デコーダ部分の入力値 None 149. 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 150. 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 151. 「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 152. 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 153. モデルの解釈性が低いと考えられるディープラーニングモデルに対して、解釈を提供する代表的な技術はどれですか？ LIMEやSHAP 正則化やドロップアウト 勾配消失の防止 ハイパーパラメータの最適化 None 154. AIサービス提供契約で、委託者が提供するデータに対するセキュリティ対策を契約に盛り込む際に考慮すべき重要な要素は何ですか？ データの暗号化、アクセス制限、バックアップの実施 サービス提供者が自由にデータを処理できるようにする データの公開 データの削除を促進する None 155. モデルの軽量化で「ファインチューニング」が行われる主な目的はどれですか？ モデルサイズを削減する 圧縮後に低下した精度を回復させる 新しい特徴量を追加する モデルを別のデバイスに適応させる None 156. 「標準化」とは何を意味し、その主な目的は何ですか？ データを全て正の値に変換する データの分布を正規分布に変換する データを平均0、標準偏差1に変換する データの外れ値を削除する None 157. 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 158. オートエンコーダの出力層は何を生成しますか？ クラスラベル 元の入力データの再構築 データの次元削減結果 活性化関数の値 None 159. 「ホワイトボックスモデル」とは何ですか？ 解釈が可能な透明なモデル 非常に複雑なモデル 計算速度が速いモデル データセットの前処理を行うモデル None 160. モデルの解釈性が重要とされる分野はどれですか？ 医療診断 自動運転 金融取引 すべての選択肢 None Time's up
