AI実装検定S級～模擬試験～ 2024年11月3日 ailearn 1. 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 2. 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 3. WideResNetの主な目的は何ですか？ モデルの深さを増やすため 活性化関数を変更するため モデルのパラメータ数を削減するため 残差ブロックの幅（チャネル数）を増やして、計算量を減らしつつ性能を向上させるため None 4. EfficientNetの「Compound Scaling」の理論的根拠は何ですか？ モデルの幅を最も重要視するという理論に基づいている 深さのみをスケーリングすることが効率的であるという仮定に基づいている 解像度をスケールするだけで精度が向上するという考え方に基づいている 各要素（幅、深さ、解像度）が異なるスケールで同等に性能に影響を与えるという仮定に基づいている None 5. 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 6. 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 7. seq2seqモデルにおいて、入力シーケンスの長さが異なるデータを処理するために最も適している手法はどれですか？ 固定長のベクトルに入力シーケンスを切り捨てる パディングを使い、入力シーケンスを同じ長さに揃える 全ての入力シーケンスを同じ長さのデータに変換する 入力シーケンスを無視する None 8. 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 9. 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 10. 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 11. seq2seqモデルのデコーダにおいて「Teacher Forcing」が効果的である理由は何ですか？ 訓練中にモデルが誤った予測をしても、正解データを使って次のステップの予測ができるから モデルの出力シーケンスを高速化できるから モデルの学習データを自動生成できるから 訓練データの量を削減できるから None 12. 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 13. ResNetの設計における「ボトルネックブロック」の役割は何ですか？ モデルの出力層の次元を増やす 残差ブロックのパラメータ数を削減しつつ、同等の表現力を保つ 勾配消失を引き起こす 全結合層の数を増やす None 14. 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 15. 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 16. 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 17. VGGネットワークが従来のCNNモデルと比較して持つ利点は何ですか？ 訓練時間が大幅に短縮される より浅いネットワークで同等の性能を達成する より深い層を使用することで、より抽象的な特徴を学習できる 全結合層を減らすことでパラメータ数が減る None 18. 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 19. 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 20. 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 21. 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 22. GoogLeNetが従来のCNNモデルよりも効率的に計算できる理由は何ですか？ モデルの層が浅いため 1x1の畳み込みによる次元削減が計算量を大幅に削減するため 重みがランダムに初期化されているため プーリング層が使用されていないため None 23. 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 24. 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 25. 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 26. 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 27. Transformerモデルにおける「自己注意機構（Self-Attention）」の役割は何ですか？ モデルが過去のデータを削除するため 入力シーケンスの全ての単語間の関係性を同時に計算し、重要な単語に注意を向けるため モデルの重みを自動で調整するため 出力シーケンスをシャッフルするため None 28. ResNetが「オーバーフィッティング」を防ぐために使用する手法は次のうちどれですか？ ドロップアウト 残差接続 正則化 L2正則化 None 29. Transformerモデルにおいて「エンコーダスタック」と「デコーダスタック」の役割の違いは何ですか？ エンコーダは出力シーケンスを生成し、デコーダは入力シーケンスをエンコードする エンコーダはアテンションを無視し、デコーダはアテンションを利用する エンコーダは入力シーケンスをエンコードし、デコーダはエンコーダの出力に基づいて出力シーケンスを生成する エンコーダは出力シーケンスをシャッフルし、デコーダは元に戻す None 30. DenseNetが他の深層学習モデルに比べて「メモリ効率が高い」と言われる理由は何ですか？ モデルのパラメータ数が少ないため トランジションレイヤーが全ての層に適用されているため 特徴マップのサイズを一定に保っているため 各層が特徴マップを再利用し、不要な計算を減らしているため None 31. VGG16とVGG19の違いとして正しいものはどれですか？ VGG16は全てのカーネルが5x5で、VGG19は3x3である VGG16は16層、VGG19は19層の畳み込み層と全結合層を持つ VGG16はプーリング層を持たず、VGG19は持つ VGG19はVGG16と比較して、全結合層が1層多い None 32. VGGネットワークが通常使用する活性化関数は何ですか？ Sigmoid関数 Tanh関数 ReLU（Rectified Linear Unit）関数 Softmax関数 None 33. GoogLeNetの出力層の設計に関して、正しい説明は次のうちどれですか？ Softmax活性化関数を使用して、各クラスの確率を出力する ReLUを使用してクラス間の差異を明確にする Linear活性化関数を使用して連続値を出力する Tanh関数を使用して二値分類を行う None 34. GoogLeNetの設計において、「dropout」を使用する理由は何ですか？ モデルの訓練速度を向上させるため モデルのパラメータ数を増やすため 過学習を防ぎ、モデルの汎化性能を高めるため モデルの出力をシャッフルするため None 35. 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 36. 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 37. ResNetの設計において、最大の特徴である「残差接続（Residual Connection）」の目的は何ですか？ モデルの計算コストを削減するため 非線形性を増加させるため 勾配消失問題を軽減し、深い層でも学習が安定するようにするため モデルのパラメータ数を増加させるため None 38. GoogLeNetの「Inceptionモジュール」における「5x5の畳み込み層」を削除した場合、予想される影響は何ですか？ 広域の特徴を学習する能力が低下する モデルの計算量が増加する モデルのパラメータ数が増加する 特徴マップのチャネル数が増加する None 39. VGGネットワークを転移学習に使用する際、全結合層を新しいタスクに合わせて再トレーニングする理由は何ですか？ 全結合層は画像全体の意味を捉えるため、他のタスクに対応する必要があるから 全結合層は学習済みの重みを使えないため 全結合層の活性化関数が異なるため 全結合層は事前学習に含まれないため None 40. 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 41. 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 42. WideResNetが「深さ」を増やす代わりに「幅」を増やす選択をする理由は何ですか？ 訓練データの量を減らすため 計算量を削減するため 勾配消失問題を軽減しつつ、より多様な特徴を学習するため モデルのパラメータ数を減らすため None 43. 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 44. 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 45. 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 46. 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 47. 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 48. 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 49. 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 50. 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 Time's up
