G検定～模擬試験③～ 2024年12月6日 ailearn 1. Huber誤差を使用する際のメリットはどれですか？ 外れ値に対して敏感である 学習速度が速くなる 小さな誤差に対しては二乗誤差、大きな誤差に対しては絶対誤差を適用する 常に一貫した結果を出す None 2. AIシステムにおける「透明性」とは何を指しますか？ AIがすべての決定を自動で行うこと AIの意思決定プロセスやアルゴリズムの動作が理解できる形で公開されること AIが常に最新の技術を使用すること AIがすべてのタスクを迅速に処理すること None 3. 教師なし学習において、クラスタリングアルゴリズムの評価指標として適切なものはどれですか？ 正解率（Accuracy） シルエットスコア ROC曲線 クロスエントロピー None 4. 転移学習において、「ソースタスク」と「ターゲットタスク」の相違が大きい場合に適用される技術として適切なものはどれですか？ ドメイン適応 ドロップアウト データ正規化 アンサンブル学習 None 5. スキップ結合を持つネットワークで過剰適合を防ぐためには、どのような手法が有効ですか？ ドロップアウトを併用する 正則化を強化する データ拡張を使用する 全ての選択肢 None 6. AIの透明性が欠如すると、どのような問題が発生しますか？ AIが自動で正しい結果を提供する ユーザーや社会がAIの結果や判断に対して信頼を失う AIが迅速に動作する AIがすべてのデータを収集する None 7. 教師あり学習の分類モデルにおいて、精度が非常に高いが、再現率が低い場合、どのような対策が有効ですか？ 正則化を強める クラスタリング手法を使用する テストデータのサイズを増やす 精度と再現率のバランスを考慮したF1スコアを最適化する None 8. AI技術を利用した商品の模倣が不正競争防止法に違反する場合、模倣品に対する制裁措置はどれですか？ 模倣品の販売許可 模倣品の宣伝活動 模倣品の改良 模倣品の販売差止請求と損害賠償請求 None 9. スキップ結合による勾配消失問題の軽減は、どのような原理に基づいていますか？ 勾配の計算回数を減少させる 勾配を直接次の層に伝える 出力層から入力層への逆伝播を省略する ネットワークの深さを増加させる None 10. 異常検知にIsolation Forestを適用した際、異常データが多く検出され、検出結果が多くの誤検知を含んでいることがわかりました。この問題を解決するために最も適切な対応はどれですか？ 異常と正常の境界を再調整する（しきい値の調整） K-meansクラスタリングに切り替える データを削減して処理を簡素化する 次元削減を行ってから再度適用する None 11. 教師あり学習で分類問題に適用されるアルゴリズムはどれですか？ K平均法 ロジスティック回帰 主成分分析（PCA） 非負行列因子分解（NMF） None 12. スキップ結合の主な目的は何ですか？ 勾配消失問題を解消すること モデルのパラメータ数を増やすこと ニューラルネットワークの出力を増加させること 学習率を調整すること None 13. 生成モデルにおいて「潜在空間の連続性」が重要な理由は何ですか？ データ生成を停止するため データ生成速度を上げるため データ生成の滑らかさと一貫性を確保するため データの次元削減を行うため None 14. AIを用いた「偽造コンテンツ」の作成が選挙に悪影響を及ぼす場合、考えられるリスクは何ですか？ AIが投票システムを強化する AIが投票データを削除する AIが選挙結果を自動で計算する 偽造コンテンツが拡散され、有権者の判断に誤った影響を与えるリスク None 15. AIを使った自動化された顔認識技術の悪用例として考えられるのはどれですか？ AIが顔認識を使って犯罪者を特定すること AIが顔認識を用いて無許可で個人の追跡を行うこと AIが顔認識を使ってセキュリティを強化すること AIが顔認識でデータの重複を防ぐこと None 16. GDPR（一般データ保護規則）におけるAIの透明性に関する規定は何ですか？ ユーザーは自分のデータがどのようにAIによって処理されるかを知る権利がある AIシステムはすべての判断を公開する必要がある AIはすべてのデータを匿名化する必要がある AIは個人データを保存してはならない None 17. AIが「バイアスの助長」によって悪用される場合、具体的にどのような問題が発生する可能性が高いですか？ AIの判断が特定のグループを差別的に扱う AIが全ての判断を透明化する AIのバイアスは常に人間の意見を尊重する バイアスの助長はAIの性能を向上させる None 18. LSTMの「忘却ゲート」の役割は何ですか？ 新しい情報を追加する 過去の情報を保持するかどうかを決定する 出力を制御する 勾配を計算する None 19. RNNの学習を安定させるために使用される「勾配クリッピング（Gradient Clipping）」の目的は何ですか？ 勾配をゼロにして学習を停止するため 勾配の計算を高速化するため 勾配の大きさを制限して勾配爆発を防ぐため 勾配消失問題を解決するため None 20. 次の中で、回帰問題のための教師あり学習モデルはどれですか？ サポートベクターマシン（SVM） 線形回帰 ナイーブベイズ K近傍法（KNN） None 21. 転移学習で「中間層の特徴」を活用する際の主なメリットは何ですか？ 計算リソースの節約 汎用的な特徴を抽出して新しいタスクに適用できる 高度な専門知識が必要ない モデルの全体的なサイズを縮小できる None 22. GANの識別モデルが非常に強力である場合、生成モデルはどのような結果をもたらす可能性がありますか？ 過学習を引き起こす モード崩壊を引き起こす 無限にデータを生成する 学習が進まなくなる None 23. t-SNEやPCAを使った次元削減後に、データを視覚化し、クラスタの傾向が見られたとします。この視覚化結果を基にさらに分析を深めるために有効な方法はどれですか？ 非負行列因子分解を行う K-meansクラスタリングでグループを明確に分ける エルボー法を適用して最適な次元数を見つける ランダムフォレストを適用して分類する None 24. AI技術が「ディープフェイク」による犯罪に悪用された場合、どのようなリスクがありますか？ AIが自動で犯罪を防止する 偽の映像や音声が使われ、詐欺や名誉毀損などの犯罪に利用されるリスク AIが正確な結果を提供する AIがデータを削除する None 25. 不正競争防止法において、「データの不正取得」とはどのような行為を指しますか？ 公開されているデータを利用する行為 データを正規のライセンス契約に基づいて使用する行為 他社のデータを無断で取得し、商業利用する行為 データを個人利用の範囲で取得する行為 None 26. ディープラーニングにおける「ユニット（ノード）」の役割はどれか？ データのラベルを自動的に生成する 入力データを受け取り、重みとバイアスを使って処理を行う データの勾配を常に0に設定する データを圧縮して保持する None 27. 不正競争防止法で保護される「営業秘密」として、AI関連技術が該当する条件はどれですか？ AIアルゴリズムが公開されている場合 機密性が保たれ、有用で非公知の情報である場合 AIモデルが第三者によって利用されている場合 トレーニングデータが一般的な方法で作成された場合 None 28. 医療AIシステムにおいて透明性が欠如している場合、どのようなリスクがありますか？ AIが患者のデータを削除する 医師や患者がAIの診断結果を理解できず、治療に対する信頼が失われるリスク AIがすべてのデータを暗号化する AIが自動で診断を行う None 29. AIの透明性が欠如していることが原因で発生する「アカウンタビリティ（説明責任）」の問題とは何ですか？ AIがすべてのタスクを効率的に処理する AIがデータを削除する AIがプライバシーを保護する AIが誤った判断をした際、誰がその責任を負うべきかが不明瞭になること None 30. 誤差関数の出力がゼロに近い場合、モデルにおいて何を示していますか？ モデルが過剰適合している モデルが高い精度で予測を行っている モデルが収束しない 損失関数が不適切である None 31. 教師なし学習で次元削減を行う際に、散布図を使って高次元データを2次元に投影する方法として正しいものはどれですか？ ロジスティック回帰 K-means t-SNE ランダムフォレスト None 32. スキップ結合が含まれる残差ブロックにおいて、スキップ結合を適切に動作させるための重要な設計ポイントはどれですか？ 勾配の大きさを増加させる スキップ結合をリカレント構造で接続する スキップ結合に非線形変換を加える 残差部分が学習を容易にするよう恒等写像を用いる None 33. AI関連のソフトウェアに対して、不正競争防止法の「営業秘密」として保護されるためにはどのような措置が必要ですか？ ソフトウェアのソースコードが適切に管理され、外部に漏れないようにすること ソフトウェアを公開すること ソフトウェアを他社と共有すること ソフトウェアを商業的に利用すること None 34. AIの「自律システム」において、透明性が欠如していると、どのようなリスクが発生しますか？ AIが自動でデータを削除する AIが常に正確に動作する AIがデータを正しく処理しない AIの判断が予測不可能であり、人間がその行動を理解できず、重大な事故や誤動作が発生するリスク None 35. スキップ結合を使用する際、出力の次元が入力の次元と異なる場合に一般的に行われる処理は何ですか？ 勾配クリッピング 次元の拡張または縮小を行うための線形変換 入力を切り捨てる 出力をゼロパディングする None 36. AIが透明性を持っていない場合、どのような社会的リスクが発生する可能性がありますか？ AIが効率的に動作しない AIがすべてのデータを削除する ユーザーや社会がAIの判断を信頼できず、不正確な情報が広まるリスク AIが判断を自動で行う None 37. 教師なし学習における「非負行列因子分解（NMF）」の特徴として最も適切な説明はどれですか？ データ行列を非負の行列に分解し、次元削減を行う データを逐次的にクラスタに分割する データのクラスタ数を自動で決定する クラスタリングに適用される None 38. AI関連技術の営業秘密を保護するため、企業が実施すべき具体的な措置として適切なのはどれですか？ 秘密保持契約（NDA）を締結し、アクセス制限を設ける 社内で情報を共有し、全従業員に公開する 営業秘密を記録せず、口頭で伝達する 競合他社と情報を共有する None 39. ディープラーニングでよく使われる「バックプロパゲーション（逆伝播）」の役割はどれか？ モデルの精度を評価するプロセス 勾配を計算して重みを更新するプロセス データを訓練セットとテストセットに分割するプロセス 入力データを正規化するプロセス None 40. 不正競争防止法で保護されている「著名表示の不正使用」とは何ですか？ 自社の商品を販売する行為 他社の商品を改良する行為 営業秘密を公開する行為 著名な商標やロゴを無断で使用する行為 None 41. ディープラーニングにおける「オートエンコーダー（Autoencoder）」の目的はどれか？ データの次元削減や特徴量抽出を行う モデルの重みをランダムに初期化する データの分類を行う 時系列データを予測する None 42. 転移学習のモデルにおいて、事前学習した層を全て再学習することが推奨されるケースはどのような場合ですか？ 元のタスクと新しいタスクの特徴が大きく異なる場合 データセットが同じ場合 新しいタスクが非常に小さい場合 モデルが過学習している場合 None 43. 教師あり学習における「目的変数」とはどれですか？ 説明変数 ハイパーパラメータ 予測したいターゲット値 訓練データ None 44. 生成モデルが「潜在変数」を使用する理由は何ですか？ データの圧縮効率を高めるため データの次元削減を行うため データ生成において多様なバリエーションを生み出すため 学習率を最適化するため None 45. ResNetにおいてスキップ結合が導入された理由は何ですか？ モデルの深さを減らすため 計算コストを削減するため 勾配消失問題を軽減するため モデルのパラメータ数を増やすため None 46. AIを利用したサイバー攻撃の一つに「敵対的攻撃（Adversarial Attack）」がありますが、これはどのような攻撃ですか？ AIシステムに誤った入力を与え、誤った結果を出力させる攻撃 AIがデータを盗む攻撃 AIがサーバーを破壊する攻撃 AIがデータを永久に保存する攻撃 None 47. ディープラーニングで使用される「ReLU（Rectified Linear Unit）」の特徴はどれか？ 入力が負の値の場合、0を出力する 入力が0以上の値の場合、負の数を出力する 勾配消失問題を引き起こす 入力に対して常に同じ値を返す None 48. AIシステムの透明性が不十分な場合、発生する可能性が高い問題として最も適切なものを1つ選んでください。 AIの性能向上 利用者の信頼喪失 データ処理の効率化 誤解を防ぐこと None 49. 不正競争防止法において「損害賠償請求権」とは何ですか？ 他者の権利を無効にする権利 不正競争行為によって生じた損害について賠償を求める権利 競合他社の商品を使用する権利 営業秘密を不正に利用する権利 None 50. AIの「透明性」と「説明可能性」の違いとして適切なのはどれですか？ 透明性はAIの動作が理解できる形で公開されること、説明可能性はAIがなぜその判断をしたのかを説明できること 透明性はAIの判断が非公開になること、説明可能性は判断が公開されること 透明性はAIがすべてのデータを削除すること、説明可能性はデータが公開されること 透明性と説明可能性は同じ意味である None 51. スキップ結合を持つモデルでは、どのような学習速度が期待できますか？ 伝統的な深層モデルと同じ速度 より遅い学習速度 より速い学習速度 学習速度は影響を受けない None 52. ディープラーニングにおける「ハイパーパラメータ」とは何か？ モデルが自動的に学習するパラメータ モデルの学習前に手動で設定するパラメータ データの前処理段階で計算されるパラメータ 訓練データから推測されるパラメータ None 53. AIを用いた個人情報の無断収集が行われた場合、企業が直面する可能性のある法的リスクは何ですか？ プライバシー保護法やGDPRに違反する可能性がある AIが自動的に法令を修正する AIがデータを削除する AIが個人情報を暗号化する None 54. 階層型クラスタリングでは、クラスタリングの結果をどのように表現することができますか？ 散布図 t-SNEプロット 混同行列 デンドログラム None 55. 回帰結合層（Recurrent Layer）とは何ですか？ 各層が独立して情報を処理する層 過去の出力を次の層にフィードバックする層 出力層の誤差を伝播する層 モデルの学習率を調整する層 None 56. GAN（生成対向ネットワーク）の学習中に、識別器（Discriminator）が過剰に強くなった場合、どのような問題が発生しますか？ 生成器が完全に収束する モデルが計算効率を失う 学習率が大幅に低下する 生成器が正しい分布を学習できなくなる None 57. 誤差関数とは何を計算するための関数ですか？ モデルの正解率 モデルのパラメータ 予測値と実際の値の差 学習率 None 58. 「RNN（リカレントニューラルネットワーク）」の特徴はどれか？ 画像データの認識に特化したモデル 入力データをシャッフルして訓練する 入力データの前後の文脈を考慮して学習する 各層が相互に接続されていない None 59. 異常検知でIsolation Forestを使用する際、正規化が重要となる理由は何ですか？ 訓練速度を向上させるため 異常値のスコアリングを正確に行うため データの次元を削減するため ラベルの偏りを修正するため None 60. AIシステムの透明性を確保するための「オープンソースAI」とは何ですか？ AIのソースコードやアルゴリズムが公開され、誰でもアクセスできるシステム AIがすべてのタスクを自動で処理するシステム AIが常に最新の技術を使用するシステム AIが自動でデータを削除するシステム None 61. データ生成において「自己回帰モデル」が有効な理由は何ですか？ 時系列データを生成できるため データを圧縮できるため 識別精度を向上させるため データの正規化が不要なため None 62. 教師あり学習における「決定木（Decision Tree）」の利点として最も適切なものはどれですか？ 訓練が非常に高速である 多数のクラスに対して優れた性能を発揮する ハイパーパラメータの調整が不要である 結果の解釈が容易で、説明しやすい None 63. GANの改良版である「Progressive Growing of GANs」の主な特徴は何ですか？ 小さな画像サイズから始めて徐々に解像度を上げていく 学習率を動的に調整する 潜在空間のサイズを増加させる 判別モデルの層を削減する None 64. AIの透明性を向上させる際に重視される原則として最も適切なものを1つ選んでください。 アルゴリズムの完全非公開化 判断プロセスと使用データの説明 利用者への情報提供の制限 トレーニングデータの削除 None 65. RNNで使用される「時間ステップ」とは何を指しますか？ 各レイヤー間の重みの更新タイミング モデルのパラメータ数 モデルが収束するまでの期間 シーケンス内の各データポイントに対する処理の単位 None 66. ディープラーニングモデルの学習において、学習率（Learning Rate）の設定が重要である理由として最も適切なものはどれですか？ モデルの構造を最適化するため 勾配消失問題を完全に防ぐため 最適化アルゴリズムの収束速度を調整するため モデルの過学習を防ぐため None 67. 次のうち、教師なし学習に分類される手法はどれですか？ K-meansクラスタリング ロジスティック回帰 サポートベクターマシン（SVM） ランダムフォレスト None 68. ファインチューニングを行う際に「凍結された層」を再び解凍して学習させるべき状況はどのような場合ですか？ モデルが過学習している場合 新しいデータセットが非常に小さい場合 学習率が高すぎる場合 新しいタスクが元のタスクと大きく異なる場合 None 69. 二値分類において、シグモイド関数と一緒に使われる代表的な誤差関数はどれですか？ 平均二乗誤差 Huber誤差 二項クロスエントロピー 平均絶対誤差 None 70. RNNの「トラケリング問題」とは何ですか？ 過剰適合が発生する問題 出力が時間依存性を持つ問題 学習率の不安定さによる問題 時系列データの周期的な変動を捉えられない問題 None 71. データ生成に用いられる代表的な手法である「GAN」は何の略ですか？ General Adversarial Network Generative Adversarial Network General Activation Network Generative Algorithmic Network None 72. 次元削減の手法として、非線形な構造を保持するものはどれですか？ 主成分分析（PCA） t-SNE K-means 独立成分分析（ICA） None 73. 誤差関数が不適切な場合、どのような問題が生じる可能性がありますか？ モデルの学習が遅くなる 学習が収束しない モデルが過剰適合する すべての選択肢が該当する None 74. データ生成における「データ拡張（Data Augmentation）」の目的は何ですか？ データセットの多様性を向上させる モデルの計算コストを削減する データを削除して軽量化する 特定のデータ分布を削除する None 75. 次のうち、ディープラーニングの「サポートベクターマシン（SVM）」とは異なる特徴を持つアルゴリズムはどれか？ ロジスティック回帰 K-means 畳み込みニューラルネットワーク（CNN） 主成分分析（PCA） None 76. 教師あり学習における「ラベル付きデータ」を使用する理由はどれですか？ データの次元を削減するため データの非線形性を処理するため モデルが予測するターゲット変数を訓練するため モデルをテストするため None 77. AIによる悪用を防ぐために必要な「倫理的ガバナンス」の役割は何ですか？ AIの開発を停止すること AIを常に最新にアップデートすること AIの開発・運用において、倫理的な基準やルールを設け、それに従って管理すること AIにすべての責任を負わせること None 78. 透明性を確保するためにAI開発者が考慮すべき点として適切でないものを1つ選んでください。 アルゴリズムのバイアス検証 利用者が理解可能な形式での情報提供 AIの完全自動化による人間の排除 トレーニングデータの出所の明示 None 79. VAE（Variational Autoencoder）における「潜在空間」を正規分布に従わせる目的は何ですか？ モデルの計算負荷を軽減するため 訓練データを削減するため ノイズを除去するため 新しいデータ生成のために潜在空間の構造を明確にするため None 80. 次の中で、教師あり学習アルゴリズムとして正しいものはどれですか？ 主成分分析（PCA） ランダムフォレスト 階層的クラスタリング DBSCAN None 81. あるデータセットに対して異常検知を行う際、データ内のほとんどが正常であり、異常データは非常に少ない場合、適切なアプローチはどれですか？ K-meansクラスタリングを適用する 主成分分析を行う 階層的クラスタリングを行う Isolation Forestを適用する None 82. RNNにおける「隠れ層」の役割は何ですか？ ネットワークの出力を生成する 勾配を計算する 過去の情報を保持し、次のタイムステップに渡す 活性化関数を適用する None 83. 転移学習でよく使われる「ベースモデル」とは何ですか？ 全ての層を固定したモデル 事前に大規模データで学習されたモデル 転移学習の後に学習を行うモデル 全ての重みがランダムな状態のモデル None 84. AI開発におけるデータ取得の際、不正競争防止法に抵触する行為はどれですか？ 合法的にデータを購入すること 営業秘密を不正に取得して学習データに利用すること 公開データセットを使用すること 他社と共同でデータを取得すること None 85. AIを利用した「ディープフェイク検出ツール」の開発が進む中で、ディープフェイクが悪用される主なリスクとして適切なものを選んでください。 個人や組織の名誉が損なわれる フェイクコンテンツが完全に除去される AIがフェイクニュースを排除する ディープフェイクは社会的影響を与えない None 86. 外れ値が多いデータセットでMSEを使用した場合のリスクは何ですか？ 学習が遅くなる モデルが正確にならない 外れ値に過剰適合する モデルの構造が複雑になる None 87. 不正競争防止法における「営業秘密」の定義に該当しないものはどれですか？ 適切に管理されていない公開されている情報 公に知られておらず、管理されている有用な情報 営業上の利益を生む情報 技術的または営業上の情報 None 88. 次のうち、Bidirectional RNN（双方向RNN）が単純RNNと異なる理由として適切なのはどれですか？ 隠れ状態を複数の層に分割する 時系列データを逆方向に処理できる 勾配消失問題を完全に解決する 非線形活性化関数を使用しない None 89. 誤差逆伝播法において、誤差関数の選択が影響を与えるプロセスはどれですか？ モデルの初期化 重みの更新プロセス バッチサイズの選択 アクティベーション関数の選択 None 90. 生成モデルのトレーニングにおいて「ラベルスムージング」が導入される理由は何ですか？ ラベル付きデータを生成するため 学習率を一定に保つため データの多様性を確保するため 識別モデルが過度に確信を持つことを防ぐため None 91. 教師なし学習における「クラスタリング」と「次元削減」の違いは何ですか？ クラスタリングはラベルを作成し、次元削減はデータを分割する クラスタリングは分類であり、次元削減は回帰に使われる クラスタリングは教師あり学習、次元削減は教師なし学習で使われる クラスタリングはデータをグループ化し、次元削減はデータの特徴量を減らす None 92. 教師あり学習の回帰問題において、モデルの予測が訓練データに対して非常に高い精度を示しているが、テストデータでは大きく誤差が出る場合、考えられる原因はどれですか？ モデルが過学習している データが不均衡である 過小適合が起きている ハイパーパラメータが適切でない None 93. ファインチューニングとは何ですか？ モデルの出力層のみを更新すること 全ての層の重みを再調整すること モデルの一部を再学習すること 訓練データを拡張すること None 94. 大規模なデータセットで次元削減を行い、重要な特徴のみを残して分析したい場合、最適な次元削減手法はどれですか？ t-SNE K-meansクラスタリング エルボー法 主成分分析（PCA） None 95. 転移学習において、事前学習したモデルをそのまま使用するのではなく、ファインチューニングを行う理由は何ですか？ 訓練データを削減するため 新しいタスクに特化した特徴を学習するため モデルの速度を上げるため パラメータ数を増やすため None 96. 「ドロップアウト」はディープラーニングでどのような役割を果たすか？ 重みの初期化を行う 過学習を防ぐために、訓練中に一部のノードを無効化する 訓練データを拡張するために使用される 勾配降下法の精度を向上させる None 97. 転移学習を行う際、「スパースデータセット」が使用される場合に生じる課題を最小化する方法として適切なのはどれですか？ 元の事前学習タスクを再トレーニングする 全ての層を固定して学習を行う データ拡張技術を活用してデータ量を増やす 事前学習済みモデルを直接デプロイする None 98. LSTMにおける「セル状態（Cell State）」が長期的な依存関係の学習に役立つ理由は何ですか？ 勾配の流れを安定させるため 訓練データを圧縮して計算負荷を軽減するため 短期記憶を強化するため 出力層の計算を簡素化するため None 99. 不正競争防止法に基づいて、AIアルゴリズムが営業秘密として保護されるための要件は何ですか？ アルゴリズムが公に知られていないこと アルゴリズムが特許取得済みであること アルゴリズムが商業的に利用されていること アルゴリズムが公開されていること None 100. 次のデータセットにおいて、どの誤差関数が最も適切ですか？ 特徴: 外れ値が多く含まれる回帰タスク 平均二乗誤差（MSE） 平均絶対誤差（MAE） クロスエントロピー損失 Huber損失 None 101. AIモデルの開発において、競合他社の営業秘密を不正に利用した場合に発生するリスクは何ですか？ AIモデルの性能が低下する AIモデルの公開が制限される 不正競争防止法に基づく損害賠償請求や差止請求 営業秘密の権利者がその権利を放棄する None 102. 誤差関数の選択がモデルの性能に与える影響は何ですか？ モデルの構造にのみ影響を与える 学習の収束速度や最終的な性能に影響を与える データの前処理方法に影響を与える 出力層のアクティベーション関数にのみ影響を与える None 103. 転移学習とは何ですか？ 訓練データを増やす手法 事前に学習したモデルを他のタスクに適用する手法 モデルの重みを初期化する手法 モデルの出力層を再訓練する手法 None 104. 損失関数と誤差関数の違いは何ですか？ 誤差関数は1つのデータポイントに対する誤差を示す 損失関数は分類問題でのみ使われる 誤差関数はモデルのパラメータを更新するために使われる 損失関数は1つのデータポイントに対する誤差を示す None 105. 転移学習において、事前学習済みモデルの「出力層」を更新する理由は何ですか？ モデルの速度を上げるため 訓練データを減らすため 新しいタスクでのパフォーマンスを低下させるため 新しいタスクに対応するため None 106. AIによる「フィッシング詐欺メール」の生成が高度化した場合、どのようなリスクが増加しますか？ AIがメールを削除する AIが詐欺メールを削除する AIが非常に巧妙な詐欺メールを自動で生成し、個人情報の盗難や経済的損失が増加するリスク AIがプライバシーを保護する None 107. ディープラーニングのモデルにおいて「エポック」とは何か？ モデルがすべての訓練データを1回処理すること モデルが学習するための初期化パラメータ データの前処理を行う段階 モデルが評価データを処理する回数 None 108. ディープラーニングにおいて、画像データの前処理として「正規化」を行う主な目的はどれですか？ 勾配降下法の学習効率を向上させる データの次元を削減する データセット内のラベルバランスを取る モデルの複雑性を減らす None 109. GANにおいて「生成モデル」の役割は何ですか？ データの真偽を判断する 新しいデータを生成する 学習データを整理する パラメータの最適化を行う None 110. AIを用いた「監視システム」の悪用により、どのような社会的リスクが生じますか？ 個人のプライバシーが侵害され、無断での監視や追跡が行われるリスク AIが犯罪者を自動で特定する AIがデータを削除する AIがセキュリティを強化する None 111. K-meansクラスタリングの収束が遅い場合、どのような対策が適切ですか？ クラスタ数を減らす データの標準化を省略する 初期化をランダムに行う回数を増やす 距離計算を省略する None 112. AIの透明性が規制されるべき理由として正しいのはどれですか？ AIが効率的に動作しない場合があるため AIのアルゴリズムが公開されていないと、バイアスや不公正な判断が行われる可能性があるため AIが自動でデータを削除するため AIがすべての判断を手動で行う必要があるため None 113. スキップ結合を持つモデルにおける「残差学習」の特徴は何ですか？ 各層で出力の和を取る 各層で出力と入力の差を学習する 各層で入力のみを学習する 各層で出力のみを学習する None 114. LSTM（長短期記憶）の主な利点は何か？ 長期間にわたる依存関係を学習できる 勾配消失問題を引き起こす 入力データをランダムにシャッフルして学習する データの前処理を行う None 115. AIが「ランサムウェア攻撃」に悪用された場合、どのような影響が考えられますか？ AIがデータを暗号化し、復旧のために身代金を要求する AIがデータを無期限に保存する AIがシステムを更新する AIがデータを削除する None 116. 教師あり学習の分類問題において、クラスラベルが不均衡な場合、どのような対策が有効ですか？ 過剰適合を防ぐために、データを削減する 正規化を行う 非線形モデルを使う クラスの重みを調整する None 117. 畳み込みニューラルネットワーク（CNN）の「プーリング層」の主な役割は何か？ 入力データを線形に変換する 空間的な情報を抽出し、特徴マップを圧縮する 入力データを次元削減して学習を効率化する データのランダムな部分を削除する None 118. リカレントニューラルネットワーク（RNN）の特徴はどれですか？ 入力データを逐次的に処理する 全ての入力を一度に処理する 出力と入力が無関係 畳み込みフィルターを使用する None 119. AIの悪用により「フェイクレビュー」が生成される場合、その主な社会的影響として最も適切なものを選んでください。 消費者が製品を正確に評価できる AIがレビューを管理して消費者に正確な情報を提供する フェイクレビューは消費者に影響を与えない 市場の信頼性が低下し、消費者と企業間の不信感が広がる None 120. ディープラーニングにおいて、誤差関数の最適化に主に使用される手法はどれですか？ ランダム探索 勾配降下法 モンテカルロ法 ニューラルネットワーク構造の最適化 None 121. ディープラーニングにおける「バッチ正規化（Batch Normalization）」の主な利点は何か？ モデルの重みをランダムに初期化する 訓練データのバッチサイズを調整する モデルの出力を正規分布に変換する モデルの訓練速度を向上させ、勾配消失問題を緩和する None 122. AIが「自動化された監視」に悪用された場合、個人の自由が侵害される理由として最も適切なものを選んでください。 AIは個人の意思を無視して判断を行うため 監視によって個人の行動が過度に制限されるため AIが人間の決定をすべてサポートするため 監視システムが社会全体の安全性を向上させるため None 123. 外れ値が多いデータセットにおいて、MSEの代替として使用される誤差関数はどれですか？ 平均絶対誤差（MAE） Huber誤差 カテゴリカルクロスエントロピー コサイン類似度 None 124. GANの訓練中に発生する問題として知られている「モード崩壊（Mode Collapse）」とは何ですか？ GANが全くデータを生成できなくなる現象 生成モデルが単一のタイプのデータしか生成できなくなる現象 識別モデルが誤った判断を行う現象 学習が収束しない現象 None 125. LSTM（Long Short-Term Memory）で使用される「ゲート」の役割は何ですか？ ネットワークの出力を増やす 時間の流れを制御する 情報を保持、忘却、更新する 活性化関数を調整する None 126. 教師あり学習において、次のうち「回帰」問題に該当するものはどれですか？ 手書き数字の認識 顔の画像をもとに年齢を予測 スパムメールかどうかを分類 画像内の物体を検出 None 127. K-meansクラスタリングで、クラスタ数を指定する必要がある理由として正しいのはどれですか？ モデルがデータを指定された数のグループに分割するため データの次元を削減するため データのラベルを生成するため 精度を向上させるため None 128. MSEとMAEの主な違いは何ですか？ MSEは二乗誤差を使用し、MAEは絶対誤差を使用する MSEは回帰問題に使用され、MAEは分類問題に使用される MSEは外れ値に強いが、MAEは弱い MSEは分類問題に使用され、MAEは回帰問題に使用される None 129. 損失関数の選択が学習に与える影響はどれですか？ モデルの初期化方法を決定する 学習率の選択に影響を与える 学習の収束速度と最終的な精度に影響を与える 入力データの前処理方法を決定する None 130. ディープラーニングにおいて「ハイパーパラメータチューニング」が必要な理由として最も適切なものはどれですか？ モデルの学習速度を向上させるため データの前処理を簡素化するため モデルの汎化性能を最適化するため 勾配爆発問題を防ぐため None 131. AIの透明性を確保するために「ロギングシステム」が導入されることがありますが、その役割は何ですか？ AIが自動でデータを削除する AIが自動で判断を行う AIの意思決定プロセスやデータ処理の履歴を記録し、後から確認できるようにする AIがすべてのタスクを非公開で処理する None 132. 不正競争防止法における「差止請求権」とは何ですか？ 不正競争行為を行った企業に対して、その行為の差止めを求める権利 他社の商品を自由に使用する権利 営業秘密を公開する権利 他社の特許を差し止める権利 None 133. 教師なし学習で、異常検知を行う場合に適したアルゴリズムはどれですか？ 線形回帰 K-meansクラスタリング Isolation Forest ロジスティック回帰 None 134. 転移学習が有効となる状況はどのような場合ですか？ 訓練データが少なく、計算資源が限られている場合 訓練データが非常に多い場合 モデルが十分に大きい場合 モデルの性能が非常に高い場合 None 135. 転移学習において、最もよく使われるデータセットはどれですか？ CIFAR-10 MNIST ImageNet COCO None 136. 回帰問題で、モデルの評価に「平均絶対誤差（MAE）」ではなく「平均二乗誤差（MSE）」を使用する理由として最も適切なのはどれですか？ MSEは外れ値の影響を軽減するため MSEは外れ値を重視して評価するため MSEは負の値を扱わないため MSEは計算速度が速いため None 137. Huber誤差の主な特徴はどれですか？ 小さな誤差に対して二乗誤差、大きな誤差に対して絶対誤差を適用する 外れ値に対して非常に敏感である 二項分類に使用される 分類問題で使用される None 138. AI技術がプライバシー侵害に悪用されるケースとして、どれが当てはまりますか？ AIがユーザーの行動を追跡し、個人情報を無断で収集すること AIがデータの暗号化を行うこと AIがバグを修正すること AIが誤ったデータを提供すること None 139. 転移学習が有効でない場合はどのような状況ですか？ 元のタスクと新しいタスクの特徴が大きく異なる場合 訓練データが非常に少ない場合 新しいタスクのデータセットが非常に大きい場合 元のモデルが小さい場合 None 140. 「DCGAN」はどのようなモデルですか？ GANに畳み込みニューラルネットワーク（CNN）を導入したモデル GANにリカレントニューラルネットワークを組み合わせたモデル GANに強化学習を組み合わせたモデル GANにトランスフォーマーを導入したモデル None 141. 教師あり学習で最適なハイパーパラメータを見つけるために使用される手法はどれですか？ グリッドサーチ ランダムサーチ ベイズ最適化 交差検証 None 142. 「勾配クリッピング」がRNNの学習に有効な理由は何ですか？ 勾配消失を防ぐため 勾配爆発を防ぐため 勾配を強化するため 学習率を調整するため None 143. AIの透明性に関して「倫理的AI」とは、どのようなAIシステムを指しますか？ AIが常に効率的に動作するシステム AIがデータを自動で削除するシステム AIが倫理的な基準に基づいて設計され、透明性を持って運用されるシステム AIがすべての判断を非公開にするシステム None 144. 教師なし学習の目的として最も適切なものはどれですか？ データにラベルを付ける データの構造を発見する ラベル付きデータを分類する データを回帰モデルに適用する None 145. ファインチューニングを行う際、事前学習済みモデルの全層を解凍して再学習することが推奨される状況はどれですか？ ターゲットデータセットが非常に大規模な場合 ターゲットタスクが事前学習タスクと似ている場合 新しいタスクのデータが事前学習データと大きく異なる場合 計算リソースが制限されている場合 None 146. 転移学習を行う際に「ファインチューニング」する層はどの部分ですか？ 入力層のみ 初期の層のみ 全ての層 出力層および後半の層 None 147. 不正競争防止法に基づく「混同防止義務」とは何ですか？ 他者の商品やサービスを混同させないようにする義務 他者の商品を自由に使用できる義務 他者の営業秘密を公開する義務 他者の商品を模倣する義務 None 148. AIの「ブラックボックス問題」とは何ですか？ AIの意思決定プロセスが不透明で、人間が理解できないこと AIがデータを暗号化するプロセス AIが物理的に破損すること AIが自動で判断を行うこと None 149. 教師あり学習でアンサンブル学習を使用する際、「バギング（Bagging）」の主な目的はどれですか？ データの次元を削減する 学習速度を向上させる 外れ値の影響を増加させる 過学習を防ぎ、モデルのバリアンスを低下させる None 150. ロジスティック回帰モデルを使ってスパムメールの分類を行っています。モデルの性能が不十分で、精度と再現率のバランスが悪い場合、どの対策が最も適切ですか？ 正則化の強度を調整する データを削減してモデルの訓練を高速化する 非線形なモデルに切り替える 階層クラスタリングを試す None 151. スキップ結合を適用する際、出力の次元が異なる場合にはどのような工夫が必要ですか？ 入力を減少させる 1x1の畳み込みを使用して次元を揃える そのまま結合する 出力をリセットする None 152. LSTMの「入力ゲート」は何を制御しますか？ 現在のセル状態に新しい情報をどれだけ加えるかを制御する 出力を決定する 過去の情報を忘れるかどうかを決定する 勾配消失を防ぐ None 153. クロスエントロピー誤差はどのような場合に使用されますか？ 回帰問題 分類問題 強化学習問題 次元削減問題 None 154. 誤差関数の勾配が学習において重要な理由はどれですか？ 学習率を調整するため モデルの複雑さを減少させるため パラメータを更新するための方向を決定するため 過学習を防ぐため None 155. ディープラーニングでの「事前学習モデル（Pre-trained Model）」の利用は、どのような状況で有効か？ 学習データが大量に存在する場合 学習データが少なく、新たなタスクに迅速に対応する必要がある場合 モデルの学習速度を劇的に向上させたい場合 既存のモデルを使わず、新たなネットワークをゼロから構築したい場合 None 156. 不正競争防止法において、特許や著作権とは異なる特徴は何ですか？ 技術的発明を保護する 商品や営業の混同を防止することに重点を置いている 著作物を保護する 発明の公開を義務付けている None 157. AIの透明性が欠如している場合、特に司法分野で懸念されるリスクとして適切なものを選んでください。 判決の基準が不明瞭で公正性が疑われる 判決に一貫性が保たれる AIの使用により犯罪の発生率が増加する 判決の時間が大幅に短縮される None 158. スキップ結合を持つネットワークの例として最も適切なのはどれですか？ AlexNet LeNet VGGNet ResNet None 159. クロスエントロピー損失関数が多クラス分類で適している理由は何ですか？ 外れ値に対してロバストであるため 計算コストが低いため 回帰問題に特化しているため 出力を確率分布として解釈できるため None 160. GRU（Gated Recurrent Unit）がLSTMより計算効率が高い理由として最も適切なものはどれですか？ ゲートの数が少ないため 隠れ層を複数持たないため セル状態を持たないため 勾配消失問題を完全に解決するため None Time's up
