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. 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 2. 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 3. 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 4. 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 5. Skip-gramモデルにおける「単語ベクトル」の次元数が増えると、何が改善される可能性がありますか？ モデルの計算速度が向上する モデルの過学習が防止される 単語間の意味的な関係がより詳細に捉えられるようになる モデルの出力サイズが固定される None 6. 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 7. Skip-gramモデルで学習された単語ベクトルが「トランスファーラーニング」に適している理由は何ですか？ 単語ベクトルが複数のタスクに共通して使用できるため 単語ベクトルが特定のドメインに最適化されているため 単語ベクトルが頻度に基づいて作成されるため 単語ベクトルが固定されたサイズを持つため None 8. MobileNetが主に使用されるアプリケーション分野はどれですか？ モバイル端末や組み込みシステムなどの計算資源が限られた環境 高性能なサーバーでのバッチ処理 大規模なデータセットのトレーニング 分散コンピューティング環境 None 9. HREDモデルにおいて「対話型システム」でよく使用される理由は何ですか？ 生成された文を短縮できる 音声認識に特化しているため ユーザーの過去の発話や文脈を保持し、より自然な応答を生成できるため モデルのパラメータ数が少ないため None 10. 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 11. DenseNetの「密結合」構造が、他のモデルと比較してパラメータ効率を向上させる理由は何ですか？ 各層が残差接続を使用しているため 活性化関数をReLUからLeaky ReLUに変更しているため 各層が新しいパラメータを必要とせず、既存の特徴を再利用するため 特徴マップの解像度を一定に保っているため None 12. HREDモデルの基本的な構造は次のうちどれですか？ 単一のRNNエンコーダとデコーダ 階層的に複数のエンコーダとデコーダを持つモデル 畳み込みニューラルネットワーク（CNN）を使用したモデル 自己注意機構を使用したTransformerモデル None 13. 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 14. 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 15. 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 16. HREDモデルにおいて「情報ボトルネック問題」が発生する可能性がある理由は何ですか？ モデルが過去の対話を全て記憶するため モデルが同じ応答を繰り返し生成するため コンテキストエンコーダが全ての情報を1つのベクトルに圧縮するため、長い対話では情報が失われやすくなるため モデルの計算コストが高いため None 17. 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 18. MobileNetの設計において、「ハイパーパラメータα（アルファ）」は何を調整するために使用されますか？ モデルの深さを調整する 活性化関数の種類を決定する モデルの幅（チャネル数）を調整し、計算コストと精度をバランスさせる モデルの学習率を最適化する None 19. 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 20. 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 21. 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 22. MobileNetV2が「リニアボトルネック」を採用する理由は何ですか？ 非線形活性化関数の影響を抑え、情報の損失を最小限にするため モデルのパラメータ数を増加させるため 計算量を削減するため モデルの訓練速度を遅くするため None 23. EfficientNetが従来のモデルよりも計算効率が高い理由は何ですか？ 全ての畳み込み層でストライド2を使用しているため モデルの層数を削減しているため Compound Scalingにより、計算コストを抑えつつ精度を向上させているため 活性化関数を変更したため None 24. Word2VecのSkip-gramモデルで「文脈が不明な単語」を効果的に処理するために使用される技術は何ですか？ 文脈を複数のサンプルに分割して、異なる文脈で単語を学習させる 単語のシャッフリング 単語ベクトルの次元数を増やす 文法的ルールを適用する None 25. HREDモデルの「文エンコーダ」の役割は何ですか？ 各文の単語をエンコードし、文の全体的な意味を表現する モデルの出力シーケンスを生成する モデルのパラメータを調整する 文全体の文脈を無視する None 26. 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 27. HREDモデルの「文エンコーダ」にLSTMを使用する利点は何ですか？ モデルの訓練時間を短縮できる モデルのパラメータ数を減少させる LSTMは勾配消失問題が発生しやすいため LSTMは長期的な依存関係を保持しやすく、文中の単語間の関係をより正確に捉えることができる None 28. MobileNetの設計において、「ストライド2」のDepthwise Convolutionを使用する主な目的は何ですか？ 計算量を増加させるため モデルのパラメータ数を増やすため 特徴マップのチャネル数を減らすため 特徴マップの空間解像度を縮小し、重要な特徴を強調するため None 29. HREDモデルが通常のseq2seqモデルと異なる点は何ですか？ seq2seqモデルは並列処理が可能だが、HREDはできない HREDは発話や文の階層構造を扱うが、seq2seqモデルは単一のシーケンスのみを扱う HREDはTransformerに基づくモデルである HREDは畳み込み層を持つ None 30. 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 31. 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 32. MobileNetV3で新たに採用された「ハードスワッシュ（Hard-Swish）」の活性化関数は、何を改善するために使用されますか？ ReLU6の計算効率をさらに向上させるため ネガティブな出力を増加させるため 特徴抽出のための出力範囲を広げるため 活性化関数の非線形性を減らすため 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. DenseNetにおける「勾配爆発」や「勾配消失」を防ぐために有効な設計は次のうちどれですか？ 各層での残差接続 全層での独立した学習 密結合による勾配の伝播とバッチ正規化の使用 活性化関数を完全に無効化する None 35. EfficientNetの「スケーリング係数φ（フィー）」が調整するのは次のうちどれですか？ モデルの学習率 全結合層の数 活性化関数の種類 モデルの深さ、幅、解像度のバランス None 36. 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 37. 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 38. DenseNetの最大の特徴は何ですか？ 各層が独立して学習を行う構造 全ての層が他の全ての層に接続される「密結合」構造 畳み込み層の数を増やすことによる性能向上 残差接続を用いて勾配消失を防ぐ None 39. 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 40. 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 41. Word2VecのSkip-gramモデルの目的は次のうちどれですか？ 中心語に対してその文脈語を予測する 文全体の意味をエンコードする 文脈に基づいて文章を生成する 文中の単語をシャッフルする None 42. 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 43. Skip-gramモデルにおける「単語の頻度に基づくダウンサンプリング」が効果的である理由は何ですか？ 高頻度の単語が学習の邪魔をしないようにし、低頻度の単語に焦点を当てるため 低頻度の単語を削除するため 文中の単語をシャッフルするため 単語の出現回数を正規化するため None 44. HREDモデルにおいて「ドメイン特化型対話システム」を作成する際に考慮すべき点はどれですか？ モデルのパラメータ数を減らす 特定のドメインに特化したデータセットでモデルを訓練し、そのドメインに適した応答生成を行う モデルの学習速度を向上させるために、一般的なデータセットを使用する モデルの出力シーケンスをシャッフルする None 45. HREDモデルが「対話システム」において持つ最大の利点は何ですか？ 訓練時間を短縮できる 過去の対話の文脈を長期間にわたり保持し、文脈に基づいた応答を生成できる 生成する応答を短縮できる 各発話を独立して処理できる None 46. HREDモデルの「階層構造」の主な利点は何ですか？ 学習データの量を減らせる 訓練速度を向上させる 長いシーケンスや対話の文脈を効果的に学習できる モデルの計算コストを削減する None 47. 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 48. MobileNetの「Depthwise Separable Convolution」と従来の畳み込み層を比較した場合、パラメータ数の削減率はどの程度ですか？ 約10% 約50% 約75% 約90% None 49. 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 50. 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 Time's up
