AI実装検定S級～模擬試験①～ 2024年12月8日2025年3月1日 ailearn 1. Transformerモデルにおいて「残差接続（Residual Connection）」の目的は何ですか？ モデルの重みを削減するため モデルの学習速度を向上させるため データの前処理を自動化するため 各層の出力に入力を加算し、勾配消失を防ぎ、深いネットワークでも学習を安定化させるため None 2. GoogLeNetにおいて「複数の出力層（auxiliary classifiers）」を追加する目的は何ですか？ モデルのパラメータ数を増加させるため 中間層でも学習を行い、勾配消失問題を防ぐため 訓練データの量を増やすため 全結合層を削減するため None 3. Transformerモデルの「Layer-wise Relevance Propagation（LRP）」は何を目的としていますか？ モデルの学習速度を向上させる モデルの各層における出力の重要度を評価し、説明可能なAIを実現するため モデルの出力を調整するため データの欠損を補完するため None 4. VGGネットワークで使用される「最大プーリング（Max Pooling）」の主な目的は何ですか？ 特徴マップのサイズを増加させる モデルの計算速度を遅くするため 重要な特徴を抽出し、特徴マップのサイズを縮小するため モデルの出力サイズを固定するため None 5. ResNetが「オーバーフィッティング」を防ぐために使用する手法は次のうちどれですか？ ドロップアウト 残差接続 正則化 L2正則化 None 6. seq2seqモデルにおいて「エンコーダ」の役割は何ですか？ 入力シーケンスを受け取り、隠れ状態に変換する 出力シーケンスを生成する モデルの重みを最適化する 入力データの次元を削減する None 7. ResNetで「恒等写像（Identity Mapping）」が重要な理由は何ですか？ 残差接続の計算を簡単にするため 活性化関数を適用しないため 各ブロックがそのままの情報を保持し、特徴を消失させないため モデルの層数を増やすため None 8. GoogLeNetの設計において「枝分かれしたネットワーク（分岐）」を採用する理由は何ですか？ モデルの計算速度を向上させるため モデルのパラメータ数を削減するため 単一の出力に依存することを防ぐため 異なる解像度で特徴を学習し、モデルの汎用性を高めるため None 9. GPT-3のような大規模言語モデルにおいて「Few-shot learning」が効果的である理由は何ですか？ モデルが少量のデータで即座に新しいタスクを学習できるため モデルのパラメータ数が少ないため、学習が効率的に進む モデルのハイパーパラメータを最適化するため モデルが並列処理を行うため None 10. WideResNetが標準のResNetに比べて「計算効率」を高めるために採用している設計方針は次のうちどれですか？ 残差ブロックの数を減らし、幅を増やすことで学習速度を向上させる 全ての畳み込み層を1x1に置き換える モデルの深さをさらに増やす 全結合層を削除する None 11. seq2seqモデルの訓練において、「教師あり学習」としての訓練が行われる理由は何ですか？ データの正解ラベルが不必要だから 正解シーケンスを基に、出力シーケンスが正確に生成されるようにするため モデルが自動的にラベルを生成するため データの欠損値を補完するため None 12. Transformerモデルにおいて「エンコーダスタック」と「デコーダスタック」の役割の違いは何ですか？ エンコーダは出力シーケンスを生成し、デコーダは入力シーケンスをエンコードする エンコーダはアテンションを無視し、デコーダはアテンションを利用する エンコーダは入力シーケンスをエンコードし、デコーダはエンコーダの出力に基づいて出力シーケンスを生成する エンコーダは出力シーケンスをシャッフルし、デコーダは元に戻す None 13. ResNetの「学習率スケジューリング」が訓練において重要である理由は何ですか？ 学習の初期段階で大きな学習率を使用し、後半では小さな学習率を使用して最適な収束を促すため 学習率を一定に保つため 勾配消失問題を解決するため モデルのパラメータ数を増加させるため None 14. Transformerモデルにおける「ドロップアウト」の目的は何ですか？ 訓練中に一部のニューロンをランダムに無効化し、過学習を防ぐ モデルの学習速度を向上させる モデルのハイパーパラメータを調整する モデルの出力シーケンスをシャッフルする None 15. ResNetの設計における「ボトルネックブロック」の役割は何ですか？ モデルの出力層の次元を増やす 残差ブロックのパラメータ数を削減しつつ、同等の表現力を保つ 勾配消失を引き起こす 全結合層の数を増やす None 16. Transformerモデルで用いられる「FFN（Feed-Forward Network）」の役割は何ですか？ エンコーダとデコーダの出力を統合するため 各単語に対して非線形変換を適用し、モデルの表現力を向上させるため モデルの計算コストを削減するため モデルの学習率を最適化するため None 17. seq2seqモデルにおける「双方向エンコーダ（Bidirectional Encoder）」の利点は何ですか？ モデルの計算コストを削減するため デコーダの性能を向上させるため 入力シーケンスを前方向と後方向の両方から処理し、文脈の理解を深めるため モデルの訓練時間を短縮するため None 18. VGGネットワークで「転移学習」が効果的な理由は何ですか？ モデルが浅いネットワーク構造を持つため 事前学習された特徴が多くの異なるタスクに対して汎用的であるため モデルのパラメータ数が少ないため モデルが固定された出力サイズを持つため None 19. Transformerモデルのトレーニングにおいて「学習率ウォームアップ」を使用する理由は何ですか？ モデルの学習を開始する前に、学習率を徐々に増加させて安定した学習を行うため モデルの重みを初期化するため モデルの過学習を防ぐため データの正規化を行うため None 20. Transformerモデルにおいて「Layer Normalization（層正規化）」が行われる主な理由は何ですか？ モデルの出力を正規化して勾配爆発や消失を防ぐため モデルのサイズを削減するため モデルのトレーニング速度を遅くするため データを自動で前処理するため None 21. ResNetの設計において、最大の特徴である「残差接続（Residual Connection）」の目的は何ですか？ モデルの計算コストを削減するため 非線形性を増加させるため 勾配消失問題を軽減し、深い層でも学習が安定するようにするため モデルのパラメータ数を増加させるため None 22. TransformerモデルがRNNベースのseq2seqモデルと比較して持つ利点はどれですか？ モデルのパラメータ数が少ない 時系列処理に依存せず、並列処理が可能で学習が高速化される 学習に多くのデータが必要 モデルが入力シーケンスを自動で正規化する None 23. GoogLeNetのInceptionモジュールにおいて、「1x1の畳み込み層」を事前に適用しない場合、どういった問題が発生する可能性がありますか？ モデルの性能が向上する 計算量が大幅に増加し、訓練に時間がかかる 特徴マップのサイズが増加しすぎて、過学習が発生する モデルのパラメータ数が減少する None 24. seq2seqモデルの性能評価において、「精度」よりも「F1スコア」を使用する理由は何ですか？ 精度が高いと過学習が発生するから 精度がクラス不均衡なデータセットに対して適切でない場合があるから F1スコアはモデルのトレーニング時間を減少させるから F1スコアはデータ前処理を必要としないから None 25. seq2seqモデルで「デコーダ」が生成するのは何ですか？ 入力シーケンスの次元数 出力シーケンス モデルの重み エンコーダの隠れ状態 None 26. GoogLeNetで「バッチ正規化」を適用することで期待される効果は何ですか？ モデルの学習が安定し、収束速度が向上する モデルのパラメータ数が減少する 活性化関数が不要になる モデルの計算量が増加する None 27. GPT-3のような自己回帰型モデルにおいて「注意欠陥」が起こる理由は何ですか？ モデルが過去の情報に過剰に依存しすぎるため モデルが同じトークンに繰り返し注意を向けるため モデルが次のトークンを生成する際に、遠い過去の情報を無視する可能性があるため モデルが文法的な構造を理解しないため None 28. Transformerモデルにおける「自己注意機構（Self-Attention）」の役割は何ですか？ モデルが過去のデータを削除するため 入力シーケンスの全ての単語間の関係性を同時に計算し、重要な単語に注意を向けるため モデルの重みを自動で調整するため 出力シーケンスをシャッフルするため None 29. Transformerモデルにおける「マルチヘッドアテンション」の目的は何ですか？ 学習速度を向上させるため 複数の異なるアテンションを同時に学習し、文脈の多様な側面を捉えるため データのノイズを削除するため モデルのサイズを小さくするため None 30. GoogLeNetの出力層の設計に関して、正しい説明は次のうちどれですか？ Softmax活性化関数を使用して、各クラスの確率を出力する ReLUを使用してクラス間の差異を明確にする Linear活性化関数を使用して連続値を出力する Tanh関数を使用して二値分類を行う None 31. GoogLeNetの設計において、「dropout」を使用する理由は何ですか？ モデルの訓練速度を向上させるため モデルのパラメータ数を増やすため 過学習を防ぎ、モデルの汎化性能を高めるため モデルの出力をシャッフルするため None 32. GoogLeNetの「Inceptionモジュール」の設計において、次元削減を行わないとどのような影響がありますか？ モデルの性能が向上する モデルのパラメータ数が減少する モデルの学習速度が向上する モデルの計算量が増加し、メモリ使用量が大幅に増加する None 33. Transformerモデルにおいて、「位置的注意スコア」はどのように計算されますか？ 出力とターゲットシーケンスの距離に基づいて計算される エンコーダとデコーダの出力を直接比較する モデルの重みから自動計算される クエリとキーの内積を計算し、それをソフトマックスで正規化する None 34. 「クロスアテンション」とは何ですか？ 自己注意機構と同様に動作し、入力シーケンス内の関係性を学習する デコーダ内でのみ使用されるアテンション機構 エンコーダとデコーダ間で異なるシーケンスに対して注意を向ける機構 同じシーケンス内で注意を向ける機構 None 35. VGG16において「16」という数字が示しているものは何ですか？ 畳み込み層のカーネルサイズ ネットワーク内の畳み込み層と全結合層の合計数 ネットワークの深さ プーリング層の数 None 36. VGGネットワークの「小さな3x3カーネル」を使用することの利点は何ですか？ より大きなカーネルサイズを使用した場合と同じ受容野を確保しつつ、パラメータ数を抑えるため モデルの計算量を削減するため 訓練データを削減するため モデルの過学習を防ぐため None 37. VGGモデルにおいて、「過学習」を防ぐために取られる一般的な対策は何ですか？ モデルの層数を増やす ドロップアウト層を導入する 重みのランダム初期化を行う 活性化関数を変更する None 38. GoogLeNetの「Inception-v3」と「Inception-v1」の主な違いは何ですか？ Inception-v1は次元削減を行わないが、Inception-v3は行う Inception-v3は、より効率的な畳み込みや正則化技術を採用している Inception-v1はReLUを使用しないが、Inception-v3は使用する Inception-v3は全ての層にバッチ正規化を適用している None 39. seq2seqモデルにおける「アテンション機構」の役割は何ですか？ モデルのトレーニング時間を短縮するため モデルが全ての入力シーケンスを同時に処理するため デコーダがエンコーダの全ての出力に注意を向けて、適切な情報を重視するため モデルがデータをシャッフルするため None 40. VGGネットワークが「パラメータ数が多い」という点が意味するものは何ですか？ モデルが計算資源を多く消費し、メモリ使用量が増える 訓練データの量が少なくても高い性能を発揮する モデルの訓練時間が短くなる パラメータチューニングが不要になる None 41. VGGネットワークが従来のCNNモデルと比較して持つ利点は何ですか？ 訓練時間が大幅に短縮される より浅いネットワークで同等の性能を達成する より深い層を使用することで、より抽象的な特徴を学習できる 全結合層を減らすことでパラメータ数が減る None 42. GoogLeNetの「Inceptionモジュール」における「5x5の畳み込み層」を削除した場合、予想される影響は何ですか？ 広域の特徴を学習する能力が低下する モデルの計算量が増加する モデルのパラメータ数が増加する 特徴マップのチャネル数が増加する None 43. VGGネットワークの全結合層を削減した場合、予想される効果は何ですか？ モデルの精度が大幅に向上する パラメータ数が減少し、メモリ使用量が少なくなる モデルの計算速度が遅くなる モデルの訓練が困難になる None 44. ResNetの「ボトルネックブロック」が非常に深い層でも有効に機能する理由は何ですか？ パラメータ数を減らすことで計算効率を向上させ、勾配消失を防ぐため 各層で出力を増加させるため 全結合層を使用しないため 活性化関数を削除するため None 45. GoogLeNetの設計において、Inceptionモジュールを使用する利点は何ですか？ 全ての特徴を1つのカーネルサイズで学習する 畳み込み層のパラメータ数を増やす 異なるサイズの特徴を同時に学習し、より多様な特徴抽出が可能になる モデルの学習速度を低下させる None 46. GoogLeNetの「auxiliary classifiers」を使用しない場合、どのような影響がありますか？ モデルの勾配消失問題が悪化する可能性がある モデルの性能が向上する モデルの訓練速度が向上する モデルのパラメータ数が減少する None 47. seq2seqモデルにおいて、損失関数として「クロスエントロピー損失」がよく使用される理由は何ですか？ モデルのトレーニングを自動化できるため データの前処理を省略できるため モデルの出力をバイナリデータに変換するため モデルの出力が確率分布であり、正解ラベルとの誤差を測定するのに適しているため None 48. GoogLeNetの訓練において、学習率スケジューリングを使用する理由は何ですか？ モデルの訓練時間を増やすため モデルのパラメータ数を増やすため 学習が進むにつれて学習率を徐々に減少させ、最適な収束を促すため 勾配消失問題を防ぐため None 49. GoogLeNetの設計で「プーリング層」を使用する主な目的は何ですか？ パラメータ数を増やすため モデルの計算速度を低下させるため 特徴マップのサイズを縮小し、重要な特徴を強調するため 活性化関数を最適化するため None 50. seq2seqモデルにおいて、「ペナルティ付きビームサーチ」が適用される理由は何ですか？ モデルの訓練時間を短縮するため モデルが無限ループに入るのを防ぐため 短いシーケンスばかりが選ばれるのを防ぎ、より適切な長さのシーケンスを生成するため モデルのパラメータ数を削減するため None Time's up
