AI実装検定S級～模擬試験②～ 2024年12月8日2024年12月8日 ailearn 1. DenseNetで「スキップ接続」が無い場合に発生しうる問題は何ですか？ 勾配消失問題が発生しやすくなり、学習が進まなくなる モデルのパラメータ数が大幅に減少する 特徴マップのチャネル数が増加する モデルの学習速度が著しく向上する None 2. MobileNetV3で導入された「ハードスワッシュ」とReLU6を比較した場合、どのような性能向上が期待されますか？ ハードスワッシュは、ReLU6よりも計算効率が高く、表現力が向上する ハードスワッシュは、ReLU6よりも計算コストが高いが精度が向上する ハードスワッシュは、ReLU6と同様のパフォーマンスを持つ ReLU6は、ハードスワッシュよりも効率が良い None 3. MobileNetの「αパラメータ」を減少させることによって予想される影響は何ですか？ モデルの計算コストが増加し、精度が低下する モデルの計算コストが減少し、精度が向上する モデルの計算コストが減少し、精度が低下する パラメータ数が増加し、モデルが過学習する None 4. Word2VecのSkip-gramモデルにおいて、「単語ベクトルの正規化」を行う理由は何ですか？ モデルの学習速度を向上させるため 単語の出現頻度を増加させるため モデルの出力サイズを削減するため 単語ベクトルの大きさを統一し、コサイン類似度の計算を容易にするため None 5. MobileNetで使用される「ReLU6」の活性化関数は、どのような利点がありますか？ ネガティブな値を強調するため 活性化出力を大幅に増加させるため 計算精度をFP16などの低精度演算に適応させるため モデルのパラメータ数を削減するため None 6. EfficientNetが、特にモバイル端末や組み込みシステムで優れている理由は次のうちどれですか？ モデルの深さを無限に増やせるため 軽量かつ計算効率が高く、リソースが限られた環境でも高精度を実現できるため 大規模なデータセットが必要ないため 全結合層を使用していないため None 7. DenseNetが非常に深いネットワークにおいても「勾配消失」を防げる主な理由は何ですか？ 各層が前の全ての層と接続され、勾配が効果的に伝播するため 活性化関数が使用されていないため モデルが浅く設計されているため トランジションレイヤーが全ての層に適用されるため None 8. EfficientNetの主な特徴は何ですか？ 深さのみをスケールさせたモデル モデルの幅、解像度、深さをバランスよくスケールさせる 幅を広げることでパフォーマンスを向上させたモデル 全結合層を多用した設計 None 9. Skip-gramモデルの「潜在意味解析（LSA）」との違いは何ですか？ Skip-gramは単語間の意味的関係をベクトル空間上で捉えるが、LSAは頻度行列を使用する Skip-gramは文書全体を扱うが、LSAは単語を直接扱う Skip-gramは次元削減を行わないが、LSAは次元削減を行う Skip-gramは全ての単語を同じ次元に変換する None 10. DenseNetの設計における「トランジションレイヤー（Transition Layer）」の役割は何ですか？ 特徴マップのサイズを増やす 勾配消失を防ぐ 特徴マップのサイズを縮小し、次のブロックに送る モデルの計算コストを増加させる None 11. MobileNetの最大の特徴は次のうちどれですか？ モデルのパラメータ数を増やして高精度を実現する 分離可能な畳み込み（Depthwise Separable Convolution）による効率的な計算 大規模な計算リソースを必要とする 全結合層を削除している None 12. DenseNetにおいて「トランジションレイヤー」が適切に設計されていない場合、どのような問題が発生しますか？ 特徴マップが過度に大きくなり、計算効率が悪化する モデルのパラメータ数が減少しすぎて精度が低下する 勾配消失が発生しやすくなる モデルが学習しなくなる None 13. HREDモデルが適用される領域で特に重要な「転移学習」の利点は何ですか？ モデルの学習速度を遅くする モデルのパラメータ数を増やす 新しいドメインに少量のデータで適応できる モデルの損失関数を変更する None 14. MobileNetにおいて、分類タスクで「Global Average Pooling（GAP）」を使用する主な目的は何ですか？ モデルのパラメータ数を増やすため 特徴マップを平均化し、全結合層の代わりに出力を生成するため 活性化関数を変更するため 特徴マップのチャネル数を削減するため None 15. HREDモデルはどのようなタスクに特に適していますか？ 文書生成や対話システム 画像分類 機械翻訳 音声認識 None 16. EfficientNetの「Compound Scaling」の調整によって「解像度」を過度にスケーリングした場合、どのような問題が発生しますか？ 解像度が高すぎて、学習が進まなくなる モデルの計算コストが急激に増加し、処理が遅くなる モデルの幅が狭くなり、パフォーマンスが低下する モデルが過学習する None 17. EfficientNetが「Squeeze-and-Excitation（SE）」ブロックを導入している理由は何ですか？ パラメータ数を削減するため 各チャネルの重要度を学習し、適応的に重み付けを行うため 特徴マップのサイズを拡大するため 活性化関数を変更するため None 18. HREDモデルの生成した応答が一貫性を欠く場合、どのような改善策が考えられますか？ モデルの出力を正規化する コンテキストエンコーダにアテンション機構を導入し、文脈の重要な部分に注意を向けさせる モデルのパラメータを増やす モデルの訓練データを減らす None 19. Skip-gramモデルの学習において「ネガティブサンプリング」の目的は何ですか？ モデルの学習率を最適化する 計算コストを削減しながら、モデルの精度を維持するため 単語ベクトルの次元数を増やすため 文脈語の出現頻度を増やすため None 20. EfficientNetにおける「Squeeze-and-Excitation（SE）」ブロックを適用することで期待できる効果は何ですか？ パラメータ数が削減され、計算コストが減少する チャネルごとの重要度を学習し、精度が向上する 計算コストが大幅に増加する モデルのスケーリングが無効になる None 21. EfficientNetの「Compound Scaling」を調整する際、幅を大きくスケーリングしすぎるとどのような問題が発生しますか？ モデルの深さが減少し、学習が不安定になる 計算コストが減少しすぎ、精度が著しく低下する 特徴マップのチャネル数が減少しすぎて、表現力が低下する モデルの計算コストが大幅に増加し、効率が低下する None 22. DenseNetが「勾配消失問題」を効果的に防ぐ理由は何ですか？ 各層が残差接続を使用しているため モデルの深さが浅いため 全ての層が前の層から直接情報を受け取る密結合構造を持つため 活性化関数を使用していないため None 23. MobileNetV2で導入された「インバーテッド残差構造（Inverted Residuals）」の主な利点は何ですか？ 残差接続を無効にする 低次元空間での学習を避け、計算効率を向上させる 活性化関数をReLUからSigmoidに変更する 特徴マップのサイズを増加させる None 24. HREDモデルにおける「コンテキストエンコーダ」の役割は何ですか？ 全体の文脈情報をエンコードし、各文の情報を統合する 各文の意味をエンコードする モデルの重みを最適化する モデルの学習率を調整する None 25. Skip-gramモデルにおける「負のサンプリング（Negative Sampling）」で、正例と負例の比率を調整する理由は何ですか？ モデルの精度を向上させるため 正例が多すぎると過学習が発生するため 負例が多すぎるとモデルの学習が遅くなるため 正例と負例のバランスを取り、効率的な学習を行うため None 26. Word2VecのSkip-gramモデルにおいて「ウィンドウサイズ」の役割は何ですか？ モデルの出力サイズを決定する 中心語から何語までを文脈語として考慮するかを決める モデルの学習率を決定する 単語ベクトルの次元数を決定する None 27. EfficientNetにおいて「MBConvブロック」の主な役割は何ですか？ 低次元空間での情報を学習し、計算コストを削減するため チャネルの次元を削減し、重要な特徴を強調するため 残差接続を無効にするため 特徴マップを拡大して精度を向上させるため None 28. MobileNetが「軽量」でありながら「高精度」を維持できる理由は次のうちどれですか？ モデルの深さを増やしているため 分離可能な畳み込み（Depthwise Separable Convolution）や次元削減を効率的に使用しているため 全ての層でReLUを使用しているため 残差接続を多用しているため None 29. EfficientNet-B7がEfficientNet-B0に比べて優れている点は何ですか？ モデルの幅、深さ、解像度が大きくスケーリングされ、精度が高い モデルが軽量で、計算リソースを節約できる 全結合層を使用していないため バッチ正規化が全く使用されていないため None 30. EfficientNetの「Compound Scaling」が従来のスケーリング手法と異なる点は何ですか？ 幅、解像度、深さを同時にバランスよくスケールさせる 幅のみをスケールさせる モデルの解像度だけを増加させる 深さを固定し、解像度を大きくスケールさせる None 31. HREDモデルにアテンション機構を導入することで得られる利点は何ですか？ モデルのパラメータ数を減らす モデルの訓練速度を向上させる 文脈内の重要な部分に注意を向け、情報を劣化させずに保持できる データの正規化が不要になる None 32. HREDモデルの訓練時に「長短期記憶（LSTM）」と「ゲート付きリカレントユニット（GRU）」のどちらを使用するか選択する際のポイントは何ですか？ モデルのパラメータ数がLSTMよりもGRUの方が少なく、計算が高速になるため LSTMの方がGRUよりも常に優れているため GRUは勾配消失問題を完全に解決できるため GRUは学習速度が遅いため None 33. DenseNetにおける「トランジションレイヤー」の畳み込み操作は何を目的としていますか？ パラメータ数を増やし、学習を促進するため 特徴マップの解像度を増加させるため 特徴マップの次元を減少させ、メモリ使用量を抑えるため モデルの幅を調整するため None 34. HREDモデルの訓練でよく使用される損失関数は次のうちどれですか？ 平均二乗誤差 ヒンジ損失 L2正則化 クロスエントロピー損失 None 35. HREDモデルの「グローバル文脈」と「ローカル文脈」の役割を正しく説明したものはどれですか？ グローバル文脈は各文の詳細を扱い、ローカル文脈は全体の流れを保持する グローバル文脈は長期的な文脈を保持し、ローカル文脈は現在の文や発話の情報を保持する グローバル文脈は現在の文の情報を保持し、ローカル文脈は長期的な文脈を扱う グローバル文脈は文の出力を生成し、ローカル文脈は入力シーケンスをエンコードする None 36. DenseNetにおいて「ブロック（Block）」はどのような役割を果たしますか？ それぞれのブロック内で独立した学習を行う パラメータの数を大幅に減少させる 他のブロックと直接的に情報を交換しない 同じ特徴を再利用し、計算量を増やさずに学習を進める None 37. EfficientNetのスケーリング戦略である「Compound Scaling」の目的は何ですか？ 計算コストを無視して最大限の精度を追求するため 幅、深さ、解像度をバランスよく拡大し、効率的に精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 モデルの訓練時間を短縮するため None 38. EfficientNetで使用される「バッチ正規化（Batch Normalization）」の役割は何ですか？ モデルのパラメータ数を削減する 全ての層で活性化関数を無効にする 各層の出力を正規化し、学習の安定性を向上させる モデルの幅を調整する None 39. MobileNetの効率的な設計において、「次元削減」の目的は何ですか？ 計算コストを削減しながら、特徴マップの表現力を維持するため モデルの学習速度を遅くするため 残差接続を使用するため 勾配消失を引き起こすため None 40. Skip-gramモデルで単語ベクトルが生成される際、どのように単語の意味的類似性が表現されますか？ 単語の出現頻度に基づいてベクトルが作成される 文法的な関係がベクトルの距離に影響を与える 意味が類似した単語同士は、ベクトル空間上で近い位置に配置される 単語のアルファベット順にベクトルが作成される None 41. MobileNetV2がMobileNetV1に比べてパフォーマンスが向上した主な理由は何ですか？ Depthwise Separable Convolutionを使用しなくなったため インバーテッド残差構造とリニアボトルネックを導入したため モデルの幅を狭くしたため 1x1の畳み込みを削除したため None 42. DenseNetの「成長率（Growth Rate）」が小さすぎる場合、どのような影響がありますか？ モデルのパラメータ数が増加しすぎる モデルの表現力が低下し、精度が低くなる可能性がある 特徴マップのサイズが増加しすぎる 勾配消失問題が発生する None 43. MobileNetV3で導入された「Squeeze-and-Excitation（SE）ブロック」の役割は何ですか？ モデルのパラメータ数を増加させるため 特徴マップの空間的解像度を増加させるため 各チャネルの重要度を学習し、適応的に特徴マップの重み付けを行うため 活性化関数をReLUに変更するため None 44. DenseNetの「トランジションレイヤー」において、プーリング操作が行われる理由は何ですか？ 特徴マップの解像度を縮小し、計算コストを削減するため 特徴マップのチャネル数を増やすため モデルのパラメータ数を削減するため 勾配消失を防ぐため None 45. MobileNetで「1x1の畳み込み（Pointwise Convolution）」が使用される目的は何ですか？ 各チャネルの情報を統合し、出力チャネルを生成するため モデルのパラメータ数を増加させるため モデルの学習速度を遅くするため 特徴マップのサイズを拡大するため None 46. HREDモデルにおいて「デコーダ」の役割は何ですか？ コンテキストエンコーダの出力に基づいて、次の文や発話を生成する 各単語をエンコードする モデルの損失関数を計算する モデルの学習率を調整する None 47. Skip-gramモデルが大規模なデータセットで効果的に機能する理由は何ですか？ モデルが全ての単語ペアを一度に処理するため 中心語と文脈語のペアが多く生成され、豊富な意味的関係を学習できるため モデルが単語の出現頻度に依存しないため モデルが文の構造を無視するため None 48. EfficientNetにおいて「Global Average Pooling（GAP）」が使用される理由は何ですか？ パラメータ数を減らし、過学習を防ぐため 特徴マップを拡大して精度を向上させるため モデルの幅をスケーリングするため 活性化関数を無効にするため None 49. DenseNetが「パラメータの再利用」により他のモデルよりも効率的である理由は何ですか？ 残差接続を用いているため 各層が独立して学習を行うため モデルの深さを増やしているため 各層が前の全ての層の出力を使用し、新しいパラメータを最小限に抑えるため None 50. DenseNetにおける「密結合」の利点は次のうちどれですか？ モデルのパラメータ数を削減する 各層が他の層からの情報を再利用し、効率的な学習が可能となる モデルの訓練時間を短縮する 全ての層が独立して動作する None Time's up
