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. EfficientNetにおいて「MBConvブロック」の設計が計算効率を高める理由は何ですか？ 残差接続とリニアボトルネックを組み合わせて計算量を減少させるため 畳み込み層を完全に除去しているため モデルの幅を減少させているため 活性化関数を変更しているため None 2. 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 3. 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 4. 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 5. MobileNetにおいて「Depthwise Separable Convolution」の主な利点は何ですか？ ネットワークの層数を増やすため 計算量とパラメータ数を削減するため 特徴抽出能力を低下させるため モデルの学習速度を遅くするため None 6. 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 7. 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 8. 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 9. 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 10. 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 11. 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 12. 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 13. Skip-gramモデルで、負のサンプリング（Negative Sampling）を使用する際に最も重要なハイパーパラメータは何ですか？ バッチサイズ 学習率 ウィンドウサイズ サンプリングの負例の数 None 14. 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 15. 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 16. 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 17. 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 18. 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 19. 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 20. 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 21. 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 22. 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 23. 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 24. DenseNetの「密結合」構造において、層ごとに出力される特徴が前層の出力と統合されることによって得られる効果は何ですか？ モデルのパラメータ数が増加する 層ごとに冗長な特徴を抽出し、精度が向上する 学習速度が遅くなる 特徴の再利用によって、効率的な学習が行われ、より高い性能が得られる None 25. 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 26. 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 27. 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 28. 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 29. 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 30. 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 31. 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 32. 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 33. 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 34. Word2VecモデルのSkip-gramとCBOW（Continuous Bag of Words）の主な違いは何ですか？ Skip-gramは文全体を入力とし、CBOWは単語のみを入力とする Skip-gramは文脈語から中心語を予測し、CBOWは中心語から文脈語を予測する Skip-gramは畳み込み層を使用し、CBOWは使用しない Skip-gramは単語間の関係を無視するが、CBOWは関係を考慮する None 35. 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 36. 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 37. 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 38. 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 39. HREDモデルが「探索空間の爆発」に対処するために適用される技術は何ですか？ ビームサーチ グリーディーサーチ ドロップアウト 学習率の減少 None 40. 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 41. 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 42. 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 43. Skip-gramモデルの訓練時に「バッチサイズ」を大きくすることの利点は何ですか？ モデルの計算時間を減少させる モデルの訓練が安定し、ノイズが少なくなる モデルのパラメータ数が増える 学習率を自動的に最適化する None 44. 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 45. 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 46. 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 47. 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 48. 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 49. 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 50. 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 Time's up
