G検定～模擬試験⑤～ 2024年12月6日 ailearn 1. 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 2. 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 3. AIにおける「アルゴリズムのバイアス」を取り除くために重要な取り組みは何ですか？ AIのアルゴリズムを全て削除する AIが全てのアルゴリズムを無視すること データの多様性を確保し、アルゴリズムのトレーニング段階でのバイアス除去のための監視と修正を行うこと AIが全てのデータを無視すること None 4. 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 5. 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 6. 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 7. 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 8. 「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 9. 「平均」とは何を表しますか？ データの最大値 データの全体を均等に分布させた場合の中心値 データのばらつきを表す指標 データの最小値 None 10. 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 11. AIプロジェクトで「異常検知」を行う際、時系列データを使用する場合に最も重要な前処理はどれですか？ データを匿名化する 欠損値の処理とデータのスムージング 特徴量の作成とデータの拡張 データを正規分布に変換する None 12. 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 13. 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 14. 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 15. 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 16. 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 17. 「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 18. 「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 19. 「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 20. 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 21. 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 22. 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 23. 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 24. 「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 25. 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 26. 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 27. 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 28. 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 29. 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 30. 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 31. モデルの軽量化に役立つ「モバイルネット（MobileNet）」の特徴は何ですか？ 高精度な分類能力を持つ大規模モデル 計算コストを削減するために深層畳み込みを使用した軽量モデル リアルタイム処理のためのリカレントネットワーク データの前処理を効率化する手法 None 32. 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 33. Adamオプティマイザーの特徴として正しいものはどれですか？ 学習率が固定である 逐次的にデータを学習する 交差エントロピー損失に特化している 勾配のモーメントを利用する None 34. 最適化手法で「局所最適解」に陥るリスクを軽減するために有効な戦略として適切なのはどれですか？ 学習率を固定する モーメンタムを導入する 勾配の符号を反転させる バッチサイズを増加させる None 35. 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 36. 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 37. 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 38. 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 39. 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 40. 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 41. 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 42. 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 43. 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 44. 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 45. 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 46. 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 47. 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 48. AIサービス提供契約において、「データ所有権」が明確に定義される理由は何ですか？ データの帰属を明確にし、不当利用を防ぐため データの利用が無制限で許可されるようにするため サービス提供者がすべてのデータを公開できるようにするため データを契約終了後も利用できるようにするため None 49. AIサービス提供契約において、一般的に委託者の責任として含まれる事項は何ですか？ AIシステムのアルゴリズムの更新 サービス提供に必要なデータの提供と使用許諾 AIモデルの改善 サービスの独占使用権 None 50. 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 51. 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 52. 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 53. 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 54. 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 55. 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 56. 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 57. 「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 58. 最適化手法における「バッチサイズ」とは何ですか？ 訓練データの全体の数 モデルの層の数 各イテレーションで使用するサンプル数 学習率の設定 None 59. 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 60. 自然言語処理（NLP）でのデータ拡張として有効な手法はどれですか？ 文の逆順化 単語のランダム挿入や削除 ストップワードの削除 活性化関数の変更 None 61. 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 62. 「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 63. 「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 64. 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 65. 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 66. 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 67. 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 68. 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 69. 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 70. AIサービス提供契約で、提供者がサービスの品質を保証するために定める「サービスの稼働率（Availability）」の基準は、主に何を表していますか？ サービスが完全に無停止で稼働する割合 サービスが利用可能である時間の割合 サービスがデータを完全に保護する割合 サービス提供者のサポート品質の割合 None 71. 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 72. 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 73. 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 74. 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 75. 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 76. モデル軽量化を行う際に「モデル圧縮ライブラリ」が使用される理由は何ですか？ モデルの圧縮や量子化、プルーニングを容易に行うため モデルの学習データを増加させるため 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 None 77. 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 78. 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 79. 「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 80. 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 81. モデルの軽量化を行う際に「エッジデバイス」に適したモデルを設計する主な理由は何ですか？ エッジデバイスはインターネット接続が不要だから エッジデバイスは低リソース環境で動作するため エッジデバイスには軽量化が必要ないため エッジデバイスはトレーニングデータを保存するため None 82. 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 83. 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 84. 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 85. データ分析における「特徴量エンジニアリング」の目的は何ですか？ データを削除すること データを統計的に分析すること データの欠損値を補完すること モデルの性能を向上させるために、新しい特徴量を生成・選択すること None 86. 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 87. データ拡張の一環として「ノイズを追加する」主な理由は何ですか？ モデルのトレーニング時間を短縮するため データの品質を向上させるため モデルのノイズ耐性を向上させるため 特定の特徴を強調するため None 88. 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 89. 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 90. 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 91. 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 92. AI開発委託契約において「守秘義務契約（NDA）」の目的は何ですか？ 開発者が納期を守るため 開発に関わる情報を外部に漏らさないようにするため 委託者が開発費用を支払うため 開発者が他のプロジェクトで技術を利用するため None 93. 「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 94. 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 95. 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 96. 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 97. 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 98. 「ベイズ推定」とはどのような方法ですか？ データの次元削減を行う手法 確率分布を均一にする手法 データの標準化を行う手法 事前確率と新しいデータを組み合わせて、事後確率を求める手法 None 99. 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 100. 「p値」とは何を意味しますか？ 帰無仮説が正しいと仮定した場合に、観察された結果が得られる確率 モデルの精度を示す値 仮説検定の結果の有意性を示す閾値 データの分布を可視化する手法 None 101. 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 102. 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 103. 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 104. 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 105. 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 106. 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 107. 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 108. 最適化手法の一つとして「AdaGrad」が持つ特徴は何ですか？ 各パラメータに対して固定された学習率を使用する 学習率を各パラメータの過去の勾配の合計に基づいて調整する パラメータの更新を行わない モーメンタムを使用しない None 109. 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 110. 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 111. 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 112. 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 113. 「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 114. 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 115. 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 116. AI倫理において「アルゴリズム監査」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。 アルゴリズムの設計プロセスを完全に公開するため アルゴリズムの性能を最大化するため アルゴリズムが偏りや誤動作を引き起こさないかを定期的に検証するため すべてのアルゴリズムを禁止するため None 117. 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 118. 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 119. 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 120. 「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 121. 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 122. 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 123. 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 124. 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 125. 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 126. 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 127. 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 128. 「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 129. 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 130. 「カイ二乗検定」の主な目的は何ですか？ データ間の独立性や適合性を検定すること データの分散を最小化すること データを正規分布に従わせること データの相関係数を計算すること None 131. AIサービス提供契約における「サービスレベルアグリーメント（SLA）」とは何ですか？ AIサービスの利用料金に関する契約 サービスの提供品質や可用性に関する契約条件 AIアルゴリズムの所有権に関する取り決め データの著作権に関する契約 None 132. 「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 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. 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 135. 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 136. 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 137. 「データ拡張（Data Augmentation）」がAIモデルの学習に有効な理由は何ですか？ 学習データを仮想的に増やし、モデルの汎化性能を向上させるため データを削除して学習時間を短縮するため データを無作為に分割して学習するため モデルの過学習を促進するため None 138. 「データバランシング」の主な目的として最も適切なのはどれですか？ データを均等に分割するため クラス不均衡の影響を軽減し、モデルの公平性を向上させるため 特徴量間の相関を削除するため トレーニングデータを増加させるため None 139. 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 140. 「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 141. 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 142. 「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 143. 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 144. 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 145. 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 146. AI開発委託契約において、知的財産権に関連する紛争が発生した場合の対応策として、契約に盛り込むべき内容は何ですか？ 委託者が全ての責任を負うことを定める 開発者が全ての責任を負うことを定める 知的財産権に関する取り決めは行わない 知的財産権に関する責任の所在と、紛争解決の手順を明記する None 147. 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 148. 「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 149. 「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 150. 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 151. 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 152. 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 153. 「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 154. 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 155. 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 156. 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 157. オートエンコーダのエンコーダ部分で行われる処理は何ですか？ データの圧縮 データの拡張 データの分類 データの逆伝播 None 158. モデル軽量化の実装で「混合精度トレーニング」が推奨されるのはどのような場合ですか？ 高精度が不要なタスクの場合 トレーニングデータが少ない場合 モデルがすでに軽量化されている場合 計算資源を効率的に活用したい場合 None 159. 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 160. 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 Time's up
