AI実装検定S級～模擬試験～ 2024年11月3日 ailearn 1. 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 2. 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 3. VGGネットワークで「転移学習」が効果的な理由は何ですか？ モデルが浅いネットワーク構造を持つため 事前学習された特徴が多くの異なるタスクに対して汎用的であるため モデルのパラメータ数が少ないため モデルが固定された出力サイズを持つため None 4. VGGネットワークのような深層学習モデルで、深い層を追加する際に発生する「勾配消失問題」を解決するための手法はどれですか？ ReLU活性化関数を使用する 重み減衰を適用する 全結合層を削除する バッチ正規化を導入する None 5. 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 6. 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 7. 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 8. DenseNetで「成長率（Growth Rate）」が過度に高く設定されると、どのような問題が発生する可能性がありますか？ モデルのパラメータ数が増加し、メモリ使用量が大幅に増える 計算コストが減少し、性能が低下する 成長率が高いほどモデルの性能が向上するため問題は発生しない モデルが浅くなり、学習が進まない None 9. ResNetの「学習率スケジューリング」が訓練において重要である理由は何ですか？ 学習の初期段階で大きな学習率を使用し、後半では小さな学習率を使用して最適な収束を促すため 学習率を一定に保つため 勾配消失問題を解決するため モデルのパラメータ数を増加させるため None 10. ResNet-101の主な特徴は次のうちどれですか？ 残差ブロックの数が101個である 101層の全てが全結合層で構成されている 101個のカーネルサイズを持つ 残差接続を使用しない None 11. 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 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. 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 14. 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 15. 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 16. Transformerモデルにおいて「Layer Normalization（層正規化）」が行われる主な理由は何ですか？ モデルの出力を正規化して勾配爆発や消失を防ぐため モデルのサイズを削減するため モデルのトレーニング速度を遅くするため データを自動で前処理するため None 17. GPT（Generative Pre-trained Transformer）モデルがBERTとは異なる点は何ですか？ GPTは双方向の文脈を同時に学習するが、BERTは単方向の文脈しか学習しない GPTは単方向の文脈を学習し、テキスト生成タスクに特化している GPTはエンコーダのみを使用し、BERTはデコーダのみを使用する GPTは翻訳タスク専用で、BERTは分類タスク専用である None 18. 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 19. 「クロスアテンション」とは何ですか？ 自己注意機構と同様に動作し、入力シーケンス内の関係性を学習する デコーダ内でのみ使用されるアテンション機構 エンコーダとデコーダ間で異なるシーケンスに対して注意を向ける機構 同じシーケンス内で注意を向ける機構 None 20. 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 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. MobileNetの「αパラメータ」を減少させることによって予想される影響は何ですか？ モデルの計算コストが増加し、精度が低下する モデルの計算コストが減少し、精度が向上する モデルの計算コストが減少し、精度が低下する パラメータ数が増加し、モデルが過学習する None 23. GoogLeNetの「auxiliary classifiers」を使用しない場合、どのような影響がありますか？ モデルの勾配消失問題が悪化する可能性がある モデルの性能が向上する モデルの訓練速度が向上する モデルのパラメータ数が減少する None 24. 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 25. 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 26. WideResNetのようなモデルで「スキップ接続」が無い場合、どのような影響が考えられますか？ モデルの性能が向上する モデルのパラメータ数が増加する 学習速度が向上する 勾配消失問題が悪化し、学習が進まなくなる可能性がある None 27. 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 28. GoogLeNetモデルの主な特徴は次のうちどれですか？ 全結合層の数を増やしたモデル Inceptionモジュールを使用し、畳み込みとプーリングを並列に処理する ReLUを活性化関数として使用しないモデル 深さが浅いCNNモデル None 29. 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 30. 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 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. Transformerモデルにおける「学習率スケジューリング」の効果は何ですか？ モデルのサイズを削減する モデルの重みを初期化する 学習率を段階的に調整することで、最適な学習速度を維持する モデルの出力を正規化する None 33. 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 34. 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 35. VGGネットワークの層の総数が多い理由は何ですか？ 複雑な画像処理をシンプルにするため 各層で異なるレベルの特徴を学習し、高次の抽象的特徴を得るため 各層のパラメータ数を減らすため モデルの訓練を容易にするため None 36. GoogLeNetが「事前学習済みモデル」として広く使用される理由は何ですか？ モデルが軽量であるため 事前学習された特徴が他のタスクに適用できないため 異なる画像データセットに対しても高い性能を発揮するため モデルの層が浅いため None 37. 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 38. 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 39. ResNetで「勾配消失問題」を防ぐための他の手法として考えられるものは次のうちどれですか？ 全結合層を削除する 残差接続を無効にする バッチ正規化を導入する パラメータをランダムに初期化する None 40. 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 41. GoogLeNetにおける「正則化技術」が必要とされる理由は何ですか？ モデルが非常に深いため、過学習のリスクが高まるから モデルの計算量を増やすため モデルの精度を低下させるため モデルの訓練時間を短縮するため None 42. 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 43. 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 44. VGGネットワークが多くのパラメータを持つことの欠点を軽減するために、近年利用される技術は何ですか？ データ拡張 モデルの蒸留 転移学習 プルーニング（剪定） None 45. 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 46. 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 47. 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 48. 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 49. 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 50. 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 Time's up
