AI実装検定S級～模擬試験～ 2024年11月3日 ailearn 1. 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 2. 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 3. GPT-3のような自己回帰型モデルにおいて「注意欠陥」が起こる理由は何ですか？ モデルが過去の情報に過剰に依存しすぎるため モデルが同じトークンに繰り返し注意を向けるため モデルが次のトークンを生成する際に、遠い過去の情報を無視する可能性があるため モデルが文法的な構造を理解しないため None 4. 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 5. 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 6. GoogLeNetにおいて「1x1畳み込み」の役割は何ですか？ 特徴マップのサイズを縮小するため モデルの計算量を減少させるため 次元削減を行い、計算効率を向上させるため モデルのパラメータ数を増加させるため None 7. 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 8. 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 9. ResNetで使用される「バッチ正規化（Batch Normalization）」の主な役割は何ですか？ 学習率を自動で最適化するため モデルの計算量を減らすため 各層の出力を正規化し、学習の安定性を向上させるため 残差接続の効果を無効にするため None 10. 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 11. 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 12. ResNetで「非常に深いネットワーク」を使用するとき、勾配消失問題を完全に解決できない場合、他にどのような問題が発生する可能性がありますか？ モデルの精度が大幅に向上する ネットワークが適切に収束せず、精度が低下する 残差接続が無効になる モデルのパラメータ数が減少する None 13. 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 14. 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 15. MobileNetの効率的な設計において、「次元削減」の目的は何ですか？ 計算コストを削減しながら、特徴マップの表現力を維持するため モデルの学習速度を遅くするため 残差接続を使用するため 勾配消失を引き起こすため None 16. 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 17. 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 18. 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 19. 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 20. 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 21. 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 22. ResNetの「ボトルネックブロック」が非常に深い層でも有効に機能する理由は何ですか？ パラメータ数を減らすことで計算効率を向上させ、勾配消失を防ぐため 各層で出力を増加させるため 全結合層を使用しないため 活性化関数を削除するため None 23. seq2seqモデルで使用される基本的なアーキテクチャはどれですか？ 畳み込みニューラルネットワーク (CNN) 再帰型ニューラルネットワーク (RNN) ガウス過程 (Gaussian Process) ランダムフォレスト (Random Forest) None 24. VGGネットワークの設計において、特徴的な要素は何ですか？ 大きなカーネルサイズを持つ畳み込み層 複数の小さい3x3のカーネルを積み重ねる設計 平均プーリングのみを使用する ReLU活性化関数を使用しない None 25. ResNet-50の「50」という数字が示しているのは次のうちどれですか？ ネットワークの残差ブロック数 全ての層の合計数（畳み込み層、プーリング層、全結合層の合計） 最終出力の次元数 各ブロックで使用されるカーネルサイズ None 26. seq2seqモデルにおいて「エンコーダ」の役割は何ですか？ 入力シーケンスを受け取り、隠れ状態に変換する 出力シーケンスを生成する モデルの重みを最適化する 入力データの次元を削減する None 27. 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 28. 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 29. seq2seqモデルにおいて、「学習時のスケジュールサンプリング」が持つ効果は何ですか？ モデルの学習速度を速めるため モデルのパラメータ数を減少させるため 訓練時にモデルが予測したトークンを使い、実運用に近い形で学習するため モデルのハイパーパラメータを自動的に最適化するため None 30. seq2seqモデルの性能評価において、「精度」よりも「F1スコア」を使用する理由は何ですか？ 精度が高いと過学習が発生するから 精度がクラス不均衡なデータセットに対して適切でない場合があるから F1スコアはモデルのトレーニング時間を減少させるから F1スコアはデータ前処理を必要としないから None 31. 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 32. 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 33. 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 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. 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 36. 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 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. Transformerモデルの「Layer-wise Relevance Propagation（LRP）」は何を目的としていますか？ モデルの学習速度を向上させる モデルの各層における出力の重要度を評価し、説明可能なAIを実現するため モデルの出力を調整するため データの欠損を補完するため None 39. seq2seqモデルにおける「アテンション機構」の役割は何ですか？ モデルのトレーニング時間を短縮するため モデルが全ての入力シーケンスを同時に処理するため デコーダがエンコーダの全ての出力に注意を向けて、適切な情報を重視するため モデルがデータをシャッフルするため None 40. EfficientNetのスケーリング戦略である「Compound Scaling」の目的は何ですか？ 計算コストを無視して最大限の精度を追求するため 幅、深さ、解像度をバランスよく拡大し、効率的に精度を向上させるため モデルのパラメータ数を削減するため モデルの訓練時間を短縮するため None 41. 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 42. 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 43. 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 44. 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 45. 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 46. 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 47. 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 48. 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 49. 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 50. 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 Time's up
