AI実装検定S級～模擬試験～ 2024年11月3日 ailearn 1. 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 2. 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 3. 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 4. 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 5. MobileNetの「アーキテクチャ検索（NAS）」技術を使用することで得られる主な利点は何ですか？ モデルのパラメータ数を削減する ストライドを最適化する モデルの出力次元数を固定する モデルの学習を自動化し、最適なアーキテクチャを見つけることができる None 6. 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 7. 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 8. 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 9. GoogLeNetで「Global Average Pooling（GAP）」が使用される理由は何ですか？ 全結合層を削減し、過学習を防ぐため 特徴マップのサイズを増やすため 活性化関数を最適化するため モデルの計算速度を低下させるため None 10. 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 11. ResNetの「スキップ接続」の動作により、勾配消失問題が軽減される理由は何ですか？ 各層の出力がリセットされるため 入力データを直接次の層に渡し、重要な情報を失わないようにするため 層の数が減るため 活性化関数を無効にするため None 12. 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 13. 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 14. 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 15. 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 16. 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 17. Word2VecのSkip-gramモデルにおける「学習率」を最適化する理由は何ですか？ モデルの出力を正規化するため 過学習を防ぐため モデルが最適なパラメータ更新を行い、効率的に収束するため モデルの計算速度を増加させるため None 18. 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 19. 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 20. VGGネットワークにおける「ゼロパディング」の主な役割は何ですか？ 特徴マップのサイズを固定し、畳み込み層で情報の損失を防ぐため モデルの訓練時間を短縮するため モデルの出力をシャッフルするため モデルの重みを初期化するため None 21. seq2seqモデルにおける「ビームサーチ」の目的は何ですか？ モデルの出力シーケンスを生成する際に、複数の候補を探索し、最適な出力を見つけるため モデルの訓練速度を向上させるため モデルの出力を正規化するため データの前処理を簡略化するため None 22. 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 23. seq2seqモデルのエンコーダにおいて、「長短期記憶（LSTM）」を用いるメリットとして正しいものはどれですか？ モデルの学習時間を短縮できる 長期的な依存関係を保持しやすく、勾配消失問題を回避できる デコーダの出力を最適化する パディングを行わずに入力シーケンスを処理できる None 24. WideResNetの幅を増やすことによる「表現力」の向上が、どのようにモデルの性能に影響を与える可能性がありますか？ 残差接続が無効になる 表現力が向上することで、より多様な特徴を学習しやすくなり、精度が向上する モデルの精度が低下する 勾配消失問題が発生する None 25. 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 26. 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 27. 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 28. 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 29. seq2seqモデルにおいて、「BLEUスコア」とは何を測定する指標ですか？ モデルの出力シーケンスの生成速度 生成されたシーケンスが、ターゲットシーケンスとどれだけ一致しているかを測定する指標 モデルの損失関数の値 モデルのハイパーパラメータの最適性 None 30. Transformerモデルがseq2seqモデルに対して持つ最大の利点は何ですか？ アテンション機構のみを使用することで、並列処理が可能であり、長いシーケンスでも効率的に処理できるため モデルのサイズを削減するため パラメータ数を減らすため モデルの訓練時間を短縮するため None 31. 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 32. 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 33. 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 34. Word2VecのSkip-gramモデルにおける「ウィンドウサイズ」が大きすぎると、どのような問題が発生する可能性がありますか？ 単語の類似性が低下する ノイズが増加し、関連性の低い単語が学習される可能性がある モデルのパラメータが減少する 単語の出現回数が増加する None 35. GoogLeNetにおいて、各Inceptionモジュールで「3x3の畳み込み層」を使用する理由は何ですか？ 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 プーリング層の代わりに使用されるため 中間的なサイズの特徴を学習し、細かいパターンを捉えるため None 36. seq2seqモデルのエンコーダとデコーダ間の情報伝達において、エンコーダの最終隠れ状態だけでなく、アテンション機構が重要となる理由は何ですか？ 全ての入力シーケンスに均等に注意を向けるため エンコーダの全ての隠れ状態にアクセスすることで、長いシーケンスの情報を劣化させずに利用できるため モデルの訓練時間を短縮するため デコーダの性能を低下させないため None 37. seq2seqモデルにおいて、「コンテキストベクトル」の役割は何ですか？ モデルの出力を最適化する モデルの誤差を修正する モデルの学習率を調整する エンコーダが入力シーケンスをエンコードした結果をまとめ、デコーダに渡す情報を要約する None 38. 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 39. ResNet/WideResNetにおける「Global Average Pooling（GAP）」の使用は何を目的としていますか？ パラメータ数を増加させるため 最終的な特徴マップを集約し、過学習を防ぐため 特徴マップのサイズを増加させるため 勾配消失問題を軽減するため None 40. 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 41. 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 42. Transformerモデルにおいて、「マルチヘッドアテンション」が持つ効果は何ですか？ 訓練データのサイズを削減する モデルの各層の出力を全て同時に計算する 複数の異なるアテンションを並行して学習し、文脈の多様な側面を捉える デコーダが全ての入力シーケンスをシャッフルする None 43. 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 44. 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 45. 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 46. 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 47. 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 48. 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 49. 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 50. Word2VecのSkip-gramモデルが「類似語」を見つけるために利用される理由は何ですか？ モデルが単語をクラスタリングできるため 意味的に類似した単語がベクトル空間上で近い位置に配置されるため 単語の出現頻度を基に類似性を測定するため モデルが全ての単語を同じように扱うため None Time's up
