E資格～模擬試験②～ 2024年12月7日 ailearn 1. アクセラレータとして最も一般的に使用されるデバイスはどれですか？ GPU（Graphics Processing Unit） HDD（Hard Disk Drive） SSD（Solid State Drive） NIC（Network Interface Card） None 2. 分散処理とは何を指しますか？ データを一元的に管理するシステム 複数の計算リソースにタスクを分配して処理を行う手法 一台のサーバーですべての計算を行う手法 クラウドでデータを保管する手法 None 3. エッジコンピューティングのデバイスが持つ「電力制約」を軽減するために採用される技術はどれですか？ 低消費電力のプロセッサや効率的なアルゴリズムの利用 クラウドへのデータ転送の増加 バックアップの頻度を増加させる データ処理を全てクラウドに移行する None 4. 「強化学習」におけるエージェントの目標は何ですか？ 与えられたデータからパターンを見つけ出す 環境との相互作用を通じて報酬を最大化する行動を学習する ラベル付きデータを用いて予測精度を高める 環境の状態を常に予測する None 5. Transformerモデルにおいて、従来のRNNと異なる最大の特徴は何ですか？ 並列計算が可能であること 時系列データを扱えないこと シーケンスの長さが固定であること 勾配消失問題を解決できないこと None 6. 複数のプロジェクトで異なるバージョンのPythonやライブラリを利用する場合、どのような環境構築手法が推奨されますか？ すべてのプロジェクトで同じ環境を使い回す システム全体にすべてのライブラリをインストールする 各プロジェクトで同じライブラリのバージョンを強制的に使用する 各プロジェクトごとに仮想環境を作成し、依存関係を分離する None 7. 強化学習において「逆強化学習（Inverse Reinforcement Learning）」の目的は何ですか？ エージェントの行動を予測すること 環境の状態を再構成すること 報酬関数を未知の状態で推定すること 方策を直接学習すること None 8. 次のうち、VAEとGANの大きな違いとして最も適切なものはどれですか？ VAEは教師なし学習、GANは教師あり学習である VAEは潜在空間に規則性を持たせ、GANは敵対的な学習を行う VAEは再構成誤差を最小化し、GANは分類精度を最大化する VAEは畳み込み層を使わず、GANは畳み込み層を使う None 9. Transformerにおける「Encoder-Decoder構造」の役割は何ですか？ データの圧縮と復元 入力データと出力データの間でシーケンスを学習する 勾配の計算を高速化する バッチ処理を効率化する None 10. 次のうち、ブースティングにおける勾配ブースティング（Gradient Boosting）の主な特徴として最も適切なものはどれですか？ 勾配消失問題を解決する モデルのパラメータ数を削減する データセットの拡張を行う 前のモデルの予測誤差を利用して次のモデルを改善する None 11. 分散処理システムで「キャパシティプランニング」を行う際に考慮すべき要素はどれですか？ ノード数、データ量、処理速度、ネットワーク帯域 データの種類とラベルの数 データを一元的に管理する方法 クラウドストレージの容量 None 12. 「分散トランザクション処理」における「二相コミットプロトコル（2PC）」の目的は何ですか？ データの転送速度を向上させる データを圧縮するためのプロトコル ノード間でデータを共有するプロトコル 分散システムにおけるデータの一貫性を確保する None 13. 次のうち、深層強化学習で多用される「ソフトアクタークリティック（SAC）」の特徴として正しいものはどれですか？ 方策を持たない強化学習手法である 最大エントロピー原理に基づき、行動の多様性を保持しつつ学習する 確定論的な方策を使用して学習する 報酬を一定に保ちながら学習を行う None 14. 「カーネルPCA」と通常のPCAの違いは何ですか？ カーネルPCAは非線形な次元削減が可能 カーネルPCAは教師あり学習の手法 カーネルPCAはラベル付きデータを使用する カーネルPCAは次元を増加させる手法 None 15. Python環境における依存関係の管理を簡素化するツールとして適切なものはどれですか？ Poetry Flask Git Docker None 16. Transformerの構成要素の一つである「Multi-Head Attention」の目的は何ですか？ 単一の注意機構よりも複雑な関係を捉えるため 計算リソースを削減するため モデルの層を深くするため 勾配消失問題を回避するため None 17. 「フェアネス」の確保が特に重要な領域はどれですか？ 医療、金融、司法などの分野 画像分類タスク 音声認識システム ゲームAI None 18. ディープラーニング環境において、仮想環境「Docker」を用いる際に、GPUを使用するために必要なセットアップはどれですか？ Dockerコンテナ内でJupyter Notebookをインストールする Dockerコンテナを使ってPythonパッケージを管理する Dockerコンテナ内でNVIDIAのCUDAおよびnvidia-docker2プラグインをインストールする Dockerコンテナを使ってAnacondaをインストールする None 19. Gated Recurrent Unit（GRU）の特徴として正しいものはどれですか？ 忘却ゲートがない 出力ゲートがない 計算がLSTMより複雑 勾配消失問題を解決しにくい None 20. 「ベイズ最適化」がモデルに適用される主な理由は何ですか？ データの次元を削減するため ハイパーパラメータの調整を効率的に行うため モデルのパラメータをランダムに設定するため モデルの精度を下げるため None 21. 開発環境において、「バージョン管理システム」として最も広く使用されているツールはどれですか？ Docker VirtualBox Git Jupyter Notebook None 22. ディープラーニング環境をクラウド上で効率的に運用するためのベストプラクティスはどれですか？ すべての計算をローカルマシンで行う GPUを搭載したインスタンスを使用し、必要に応じてスケールアウトする クラウド上でCPUのみを使用して計算する 固定されたインスタンスを使用し、スケールアウトは行わない None 23. 分散処理における「スケーラビリティ」とは何ですか？ システムが負荷や規模の変化に対応して拡張できる能力 データの保存容量を増やす機能 すべてのデータをクラウドに移行する機能 ネットワーク帯域を広げる機能 None 24. Transformerの「Feedforward Neural Network」部分は何を行いますか？ データを圧縮する 各トークンの自己注意後の表現をさらに変換し、次の層に渡す 各トークンの位置情報を埋め込む 勾配をクリッピングする None 25. 次のうち、アクセラレータの導入が不適切なシナリオはどれですか？ 大規模なディープラーニングモデルのトレーニング 小規模で単純な計算タスクの実行 GPUを使用した3Dレンダリング FPGAを使用した信号処理 None 26. 環境構築において仮想環境を使用する主な理由は何ですか？ ハードウェアの性能を向上させるため 開発言語を変更するため ネットワークの速度を上げるため 異なるプロジェクトごとに異なる依存関係を分離して管理するため None 27. TPU（Tensor Processing Unit）は主にどのような用途に特化していますか？ グラフィック処理に特化したハードウェア 一般的なデータ処理に特化したハードウェア ネットワーク管理に特化したハードウェア ディープラーニングの推論やトレーニングに最適化されたハードウェア None 28. 次のうち、GPUとFPGAの選択を決定する上で最も重要な要素は何ですか？ 計算の性質や目的に応じた適切なハードウェアの選択 ストレージの容量 ネットワーク帯域幅 デバイスの色 None 29. 「経験再生（Experience Replay）」がDQNに導入される理由として正しいものはどれですか？ 訓練データのバイアスを減らし、効率的な学習を行うため 訓練データを削減するため エージェントの方策を改善するため 報酬をリアルタイムで更新するため None 30. ディープラーニング環境を構築する際に一般的に使用されるプログラミング言語はどれですか？ C++ Python Java Ruby None 31. リカレントニューラルネットワーク（RNN）で頻繁に使用される勾配消失問題とは何ですか？ パラメータが増加しすぎる問題 勾配が大きくなりすぎる問題 誤差が伝播しない問題 勾配が非常に小さくなるため、学習が進まない問題 None 32. 「環境構築」とは何を指しますか？ ソフトウェアの実行に必要な開発・運用環境を整備する作業 プログラムのデバッグ作業 ネットワークの設定作業 ソフトウェアの保守とサポート業務 None 33. 次のうち、LSTMが通常のRNNに比べて勾配消失問題に対処できる理由として正しいものはどれですか？ LSTMは逆伝播を行わない LSTMは短期的な情報のみを保持する LSTMはゲート機構を利用して、重要な情報を長期的に保持できる LSTMは隠れ層の重みを固定する None 34. モデルの汎化性能を高めるために使用される「ラベルスムージング（Label Smoothing）」の主な効果として正しいものはどれですか？ 学習データのラベルにノイズを追加し、モデルの確信度を下げることで過学習を防ぐ ラベルを拡張してデータセットを増やす ラベルの不確実性を減らし、モデルの信頼性を高める 出力層のニューロン数を減らす None 35. リカレントニューラルネットワーク（RNN）の順伝播において、各タイムステップで計算される出力は何に基づいていますか？ 前のタイムステップの入力のみ 現在のタイムステップの入力のみ 現在のタイムステップの入力と前のタイムステップの出力 全タイムステップの入力 None 36. 深層強化学習において、連続行動空間を処理するために使用されるアルゴリズムはどれですか？ DQN（Deep Q-Network） DDPG（Deep Deterministic Policy Gradient） REINFORCE Q学習 None 37. FPGAが特に有効となる応用分野はどれですか？ 一般的なデータベース処理 ウェブページのレンダリング テキストエディタの動作 低遅延が要求されるリアルタイム処理や信号処理 None 38. 「ブラックボックス攻撃」とはどのようなものですか？ モデルの内部構造を知らずに攻撃を行い、その結果を基にモデルの脆弱性を探る手法 モデルのパラメータを直接変更して攻撃する手法 モデルに対してラベル付きデータを用いて攻撃する手法 モデルの精度を最大化するための手法 None 39. 「教師あり学習」とはどのような学習方法ですか？ ラベル付きデータを用いてモデルを訓練する ラベルなしデータを用いてモデルを訓練する 報酬を最大化するようにモデルを訓練する モデルが自律的にデータを生成する None 40. 分散処理システムでの「レプリケーション」の目的は何ですか？ データの可用性と耐障害性を高めるために、データを複数の場所にコピーする データを削除してシステムの負荷を軽減する データを一箇所に集約して処理する データをクラウドに送信する None 41. ディープラーニングのフレームワーク「TensorFlow」を使用する際に重要なソフトウェアライブラリはどれですか？ Flask React CUDA Django None 42. エッジコンピューティングと関連の深い技術として正しいものはどれですか？ バッチ処理システム クラウドファンディング リレーショナルデータベース IoT（Internet of Things） None 43. エッジコンピューティングの利点として正しいものはどれですか？ データ処理の遅延を減らす データの安全性を低下させる データの送信コストを増加させる すべてのデータをクラウドに集約する None 44. RNNの勾配爆発問題に対処するために採用される技術は次のうちどれですか？ 勾配クリッピング ドロップアウト L2正則化 バッチ正規化 None 45. バッチ正規化（Batch Normalization）の効果として最も適切なものはどれですか？ モデルのトレーニングを安定化させる 勾配消失問題を完全に防ぐ 過学習を防ぐために学習データを削減する 学習率を低下させる None 46. 「早期停止（Early Stopping）」の目的は何ですか？ 過学習を防ぐため、パフォーマンスが最適な時点で学習を終了する 学習速度を上げる 学習率を一定に保つ パラメータの数を増やす None 47. GANにおいて、判別器の役割は何ですか？ データを生成する データを圧縮する 本物のデータと偽物のデータを区別する データを分類する None 48. エッジデバイスの計算リソースを効率的に活用するために、使用される技術として最も適切なものはどれですか？ コンテナ仮想化 クラウドストレージ データウェアハウス データバックアップ None 49. VAEの潜在空間における「再パラメータ化トリック」の目的は何ですか？ データの次元を削減する モデルの学習速度を速める 勾配を計算可能にし、バックプロパゲーションを適用できるようにする モデルの精度を下げる None 50. 次のうち、「ローカル説明」とは何を指しますか？ モデル全体の振る舞いを説明すること 特定の予測結果に対してその理由を説明すること モデルの訓練データの説明を行うこと モデルの訓練プロセス全体を説明すること None 51. 分散処理における「キャッシュの一貫性」を保つために使用される技術はどれですか？ キャッシュコヒーレンスプロトコル 二相コミットプロトコル リーダー選出アルゴリズム データローカリティ None 52. 次のうち、Dockerが提供する主な機能はどれですか？ アプリケーションの実行環境をコンテナ化して、再現性の高い開発・運用環境を構築する GPUの計算速度を向上させる クラウドでデータベースを管理する ネットワーク通信を最適化する None 53. VAEが生成したデータがGANに比べてリアルさで劣る理由は何ですか？ GANは識別器を用いるため、VAEよりも高品質な生成が可能 VAEは再パラメータ化トリックを使用していないため GANはオートエンコーダを使用していないため VAEはデータの分類に特化しているため None 54. 「アンサンブル学習」の一種である「ブースティング」の特徴はどれですか？ 各モデルを並列に訓練する 正則化を強化する バッチサイズを増加させる 各モデルを逐次的に訓練し、前のモデルのエラーを修正する None 55. Bidirectional LSTMのメリットとして、最も適切なものはどれですか？ 計算速度が速い 双方向から情報を処理するため、シーケンス全体の文脈を理解できる メモリ消費が少ない 勾配消失問題が完全に解決される None 56. 「MapReduce」における「Map」フェーズの役割は何ですか？ 入力データを分割し、キーと値のペアを生成する データを一元化し、集約結果を生成する 入力データをそのまま出力する データをクラウドに送信する None 57. エッジコンピューティングにおけるデータの「プライバシー保護」のために考慮すべき要素は何ですか？ データをクラウドで保存する データをリアルタイムで送信する データのローカル処理と暗号化 デバイスを分散させる None 58. 「グローバル説明」とは何を指しますか？ モデル全体の振る舞いを説明すること 特定の予測結果に対する理由を説明すること モデルの訓練データの説明を行うこと モデルの訓練プロセスを可視化すること None 59. LIME（Local Interpretable Model-agnostic Explanations）の主な特徴は何ですか？ モデル全体の動作をシミュレーションする ランダムにデータを選んでモデルの予測を評価する 特定の予測に対して、シンプルなローカルモデルを使って説明を行う モデルのパラメータを全て可視化する None 60. GANの判別器が「本物」と「偽物」のデータを正確に識別できるようになりすぎた場合、生成器にどのような問題が発生しますか？ 生成器が学習できなくなる 生成器がより高品質なデータを生成できる 生成器がモード崩壊を起こす 生成器のパラメータ数が増加する None 61. GPUとFPGAのハイブリッドシステムを導入することで期待できる効果として最も適切なものはどれですか？ 両方の利点を活かし、高速な並列計算とタスクごとの最適化が可能になる 消費電力を大幅に削減できる ストレージ容量が増える ネットワーク速度が向上する None 62. 次のうち、Grad-CAMの欠点として考えられるものはどれですか？ 勾配を計算するため、計算コストが高い すべてのモデルに対して適用できない 高次元の特徴量を扱えない 予測精度が下がる None 63. Transformerモデルで使用される「自己注意（Self-Attention）」機構の役割は何ですか？ シーケンス内の全ての単語に均一な重みを割り当てる 各単語の相対的位置関係を強調する 各単語がシーケンス内の他の単語とどのように関連するかを捉える 各単語をランダムにシャッフルする None 64. 分散処理システムで「ネットワークボトルネック」が発生する主な原因として最も適切なものはどれですか？ 各ノードが独立して処理を行うこと 大量のデータがネットワークを介して送信される際の帯域幅不足 データの保存容量が不足すること データのローカリティが高い場合 None 65. 次のうち、Transformerが自己注意メカニズムを使用することの利点として最も適切なものはどれですか？ 並列処理が可能で、長いシーケンスも効率的に処理できる 時系列依存を完全に無視できる 勾配消失問題を根本的に解決する 各トークンの位置情報を完全に消去する None 66. 次のうち、「Proximal Policy Optimization（PPO）」の特徴として最も適切なものはどれですか？ 方策の更新を制御し、過度な更新を防ぐ 経験再生を使用して効率的に学習する 確率的な行動選択を行わない データのバッチサイズを動的に変更する None 67. アンサンブル学習における「バギング（Bagging）」の主な特徴はどれですか？ モデルの出力を逐次的に更新する データの順序に依存する 複数のモデルを並列に訓練し、それぞれの予測を平均化する 勾配消失問題を防ぐ None 68. 「オンライン学習」とは何ですか？ 時間とともにデータを受け取り、その都度モデルを更新して学習する手法 一括してデータを学習し、最適なモデルを作成する手法 クラウドを利用してモデルを学習する手法 複数のモデルを同時に学習する手法 None 69. 「データシャッフル」の効果として最も適切なものはどれですか？ モデルの学習を高速化する トレーニングデータの順序依存性を排除し、より安定した学習を促す モデルの複雑さを低減する バッチサイズを調整する None 70. ディープQネットワーク（DQN）における「ターゲットネットワーク」の役割は何ですか？ 行動選択の速度を向上させるために使用される 報酬を増加させるために使用される 方策を変更するために使用される Q値の計算を安定化させるために使用される None 71. エッジコンピューティングの導入によって、クラウド上のデータ処理に与える影響として正しいものはどれですか？ クラウドへのデータ送信量が減り、クラウドの負荷が軽減される クラウドへのデータ送信量が増え、クラウドの負荷が増加する クラウドの負荷には全く影響しない クラウドへの依存が完全になくなる None 72. エッジコンピューティングにおける「リアルタイム性」を確保するために重要な要素はどれですか？ データをクラウドに送り、結果を待つこと データを定期的にバックアップすること 大量のデータを一度に送信すること データをエッジデバイスで即時に処理すること None 73. ディープラーニングモデルを大規模データセットでトレーニングする際にクラウド環境を選択する利点として適切なものはどれですか？ 必要に応じて計算リソースをスケールアップ・スケールダウンできる ローカル環境での計算が常に速い インターネット接続が不要になる ストレージ容量を減らすことができる None 74. エッジコンピューティングにおいて、デバイス間の通信の信頼性を確保するために必要な対策として最も適切なものはどれですか？ デバイスの計算速度を上げる ネットワークの冗長化やデータの暗号化 全てのデータをクラウドに送信する ネットワーク帯域を減らす None 75. GANにおける「ミニバッチディスクリミネーター」とは何ですか？ 生成器がミニバッチ単位でデータを生成する機能 モデル全体を小さくする機能 勾配消失問題を解決するための機能 判別器がミニバッチ内の複数のサンプル間の違いを考慮して判断する機能 None 76. Jupyter Notebookの主な用途は何ですか？ データベースの管理ツール インタラクティブなデータ分析やプログラム実行を行うツール クラウドサーバーの運用ツール グラフィック処理の最適化ツール None 77. 強化学習において、報酬を割り引くために使用される値は何ですか？ 学習率 割引率（Discount Factor, γ） 方策（Policy） 探索パラメータ None 78. 仮想環境「Vagrant」を使用する場合、主にどのようなシナリオで役立つか？ 一貫性のある仮想マシン環境を簡単に構築し、チーム間で共有する場合 クラウドでのデータベース運用を最適化する場合 GPUを利用して大規模な計算を行う場合 ウェブサイトをホスティングする場合 None 79. 「コントラスト学習」において、ポジティブペアとネガティブペアの定義は何ですか？ ポジティブペアはラベル付きデータ、ネガティブペアはラベルなしデータを指す ポジティブペアは類似したデータ、ネガティブペアは異なるデータを指す ポジティブペアはラベルなしデータ、ネガティブペアは生成されたデータを指す ポジティブペアは同じモデル、ネガティブペアは異なるモデルを指す None 80. Transformerにおける「ポジショナルエンコーディング」の役割は何ですか？ シーケンス全体を圧縮する 時系列データの位置情報を反映させる 勾配消失を防ぐ モデルの出力を正規化する None 81. ディープラーニングの推論において、TPUがGPUに対して有利となる理由として最も適切なものはどれですか？ TPUはグラフィックス処理が得意であるため TPUはプログラミングが容易であるため TPUはディープラーニング専用のハードウェアとして設計されており、推論に特化して最適化されているため TPUは消費電力が高いため None 82. アクセラレータの導入による計算コスト削減の方法として適切なものはどれですか？ ストレージ容量を増加させ、計算時間を短縮する ネットワーク帯域を広げ、データ転送を高速化する CPUのみで処理を行う 特定のタスクに最適化されたハードウェアを使用し、計算効率を向上させる None 83. エッジコンピューティングが通信コスト削減に寄与する理由は何ですか？ すべてのデータをクラウドに送信するから クラウド側で計算を行い、デバイスに結果を返すから データをエッジデバイスで処理し、クラウドへの送信データ量を減らすから 大量のデータを一度に送信するから None 84. VAEにおける「エビデンス下界（ELBO）」の役割は何ですか？ モデルのパラメータ数を増やす モデルの学習を安定化させるための目的関数 データを圧縮するための手法 モデルの精度を評価するための指標 None 85. 分散処理システムの利点として正しいものはどれですか？ 計算リソースの効率的な利用 全てのデータを一箇所に集約して管理する 一台のサーバーに負荷を集中させる ネットワーク帯域を減らす None 86. FPGA（Field Programmable Gate Array）の特徴として正しいものはどれですか？ 予め固定された構成を持つデバイス 主にデータストレージとして使用されるデバイス グラフィック処理を高速化するためのデバイス ユーザーがハードウェアの構成を再プログラム可能なデバイス None 87. 次のうち、深層強化学習でよく使用される「アクター・クリティック（Actor-Critic）」の特徴は何ですか？ 方策を直接学習するアクターと、価値関数を学習するクリティックが協調して学習を行う エージェントが方策を持たずに学習を行う 環境の次の状態を予測するモデル 報酬が無い場合でも学習が進行する None 88. リカレントニューラルネットワーク（RNN）における「Teacher Forcing」の目的は何ですか？ 学習を高速化するため 勾配消失問題を防ぐため モデルが過去の正しい出力に基づいて学習するようにするため 過学習を防ぐため None 89. 「スパース学習」とは何を目的とする手法ですか？ モデルの精度を向上させるためにパラメータ数を増やす モデルのパラメータの多くを0にすることで、計算コストを削減する ラベルなしデータを用いて特徴を学習する 報酬を用いてモデルを訓練する None 90. 「説明可能AI」の導入が特に重要視されるケースはどれですか？ ゲームAIやチャットボット 音声認識システム 画像処理タスク 医療診断システムや金融スコアリングシステムなどの分野 None 91. CycleGANの主な用途として最も適切なものはどれですか？ 異なるドメイン間の画像変換 画像の分類 データの圧縮 文章生成 None 92. データ拡張（Data Augmentation）の主な目的は何ですか？ モデルのサイズを減らす 学習率を調整する データの次元を削減する トレーニングデータを人工的に増やして過学習を防ぐ None 93. GANの学習で発生する「勾配消失問題」を緩和するために提案された技術はどれですか？ バッチ正規化 再パラメータ化トリック Wasserstein損失関数 クロスエントロピー損失関数 None 94. GANの訓練における問題点として最も一般的なものは何ですか？ 過学習 学習率の低下 バッチサイズの不足 モード崩壊 None 95. 「Terraform」を使用する主な目的は何ですか？ インフラをコードとして管理し、クラウドリソースを自動的に構築・管理するため ディープラーニングモデルをトレーニングするため ネットワーク帯域を最適化するため データベースのパフォーマンスを改善するため None 96. 次のうち、RNNの一種ではないものはどれですか？ LSTM GRU Transformer Bidirectional RNN None 97. 自己注意（Self-Attention）機構の計算において、各トークンのスコアはどのように計算されますか？ 各トークンのベクトルの内積 各トークンの位置情報を参照 トークンの順序を無視してランダムに決定 トークンの勾配に基づいて計算 None 98. RNNを使用したシーケンス生成モデルで、次のタイムステップの予測を生成する際、予測結果が繰り返し使用されることによる誤差の累積を防ぐために使われる手法はどれですか？ バッチ正規化 ドロップアウト 学習率減衰 スケジュールサンプリング None 99. ディープラーニングモデルのトレーニングにおいて、GPUが有利となる主な理由は何ですか？ データの保存容量が大きいため ネットワーク速度が高速であるため 大規模な行列演算を並列に実行できるため プログラムの実行がシングルスレッドで行われるため None 100. 「コントラスト学習（Contrastive Learning）」の目的は何ですか？ データの類似度を最大化し、異なるデータ間の距離を広げる 報酬を最大化するようにエージェントに行動を学習させる ラベル付きデータから分類器を訓練する 複数のモデルを比較して最適なモデルを選択する None Time's up
