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. 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 2. 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 3. 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 4. 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 5. 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 6. DenseNetにおいて「バッチ正規化（Batch Normalization）」が使用される主な理由は何ですか？ 各層の出力を正規化し、学習の安定性を向上させるため パラメータ数を減らすため モデルの解像度を上げるため 特徴マップのサイズを増やすため None 7. 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 8. 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 9. 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 10. 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 11. 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 12. 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 13. 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 14. DenseNetのアーキテクチャにおける「パラメータ効率の良さ」の主な理由は次のうちどれですか？ 残差接続を用いているため 各層が他の層の出力を再利用し、新しいフィルタ数を最小限に抑えるため 活性化関数がReLUの代わりにSigmoidを使用しているため 全ての層で同じフィルタ数を使用しているため None 15. 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 16. 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 17. 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 18. 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 19. 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 20. 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 21. 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 22. MobileNetV2の「インバーテッド残差構造」が従来の残差構造と異なる点は何ですか？ 残差接続を削除している 全ての層でReLUを使用していない 非線形活性化を使用していない 高次元空間での特徴抽出後に次元削減を行う None 23. 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 24. 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 25. HREDのような階層型モデルが一般的なRNNに比べて長期依存関係を捉えるのに優れている理由は何ですか？ モデルのパラメータ数が少ないため 訓練時間が短いため 全てのシーケンスが並列処理されるため 階層構造によって文や発話単位の依存関係を保持しやすいため None 26. 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 27. 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 28. 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 29. 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 30. 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 31. 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 32. 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 33. EfficientNetのMBConvブロックで「リニアボトルネック」を採用する理由は何ですか？ 計算コストを削減しつつ、情報の損失を防ぐため パラメータ数を増加させるため 特徴マップのサイズを増加させるため 残差接続を無効にするため None 34. 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 35. 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 36. 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 37. EfficientNetで「深さ」をスケーリングしすぎた場合に起こりうる問題は何ですか？ 計算量が減少し、モデルの表現力が低下する 特徴マップが縮小しすぎて情報が失われる 計算コストが過剰に増加し、学習が難しくなる モデルが浅くなり、パフォーマンスが低下する None 38. 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 39. 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 40. 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 41. 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 42. 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 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. Word2VecのSkip-gramモデルにおける「softmax関数」の役割は何ですか？ モデルの出力を正規化し、各文脈語に対する確率を計算するため モデルのパラメータを初期化するため モデルの損失関数を計算するため モデルの学習速度を向上させるため None 46. EfficientNetが「軽量」でありながら「高精度」を実現できる理由は何ですか？ MBConvブロック、リニアボトルネック、SEブロックの効率的な組み合わせによるため 全結合層を使用していないため 活性化関数をReLUからSigmoidに変更したため モデルの深さを無限に増やせるため None 47. 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 48. 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 49. 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 50. Word2VecのSkip-gramモデルで「コサイン類似度」を使用する理由は何ですか？ モデルの重みを最適化するため 単語ベクトルの次元数を削減するため 単語間のベクトル距離を測定し、類似度を数値化するため 単語の頻度を正規化するため None Time's up
