G検定～模擬試験⑤～ 2024年12月6日 ailearn 1. AIガバナンスにおける「監視体制の強化」が重要視される理由は何ですか？ AIがすべての判断を無視するため AIシステムが誤作動を起こした場合に迅速に対処し、悪影響を最小限に抑えるため AIがすべてのデータを削除するため AIがすべての決定を隠すため None 2. AIガバナンスにおける「データの正確性」を確保するために必要な取り組みは何ですか？ AIがすべてのデータを削除すること AIがすべてのデータを無視すること AIがすべてのデータを自動で生成すること データ収集の段階から正確で信頼性の高いデータを使用し、定期的に更新・検証すること None 3. オートエンコーダのエンコーダ部分で行われる処理は何ですか？ データの圧縮 データの拡張 データの分類 データの逆伝播 None 4. 線形代数の「特異値分解（SVD）」は、どのような目的で使用されますか？ 行列のランクを求めるため 行列を分解し、データの次元削減や圧縮に利用するため データのノイズを増加させるため データの相関を減らすため None 5. 「逆伝播法（Backpropagation）」がモデル解釈性に与える影響は何ですか？ モデルの計算量を増加させる モデルの性能を低下させる 訓練データを必要としなくなる 特定の予測に対する寄与度を確認するために使用できる None 6. モデル解釈性の評価に使われる指標として正しいものはどれですか？ 混同行列 精度（Accuracy） 説明可能性（Explainability） AUC None 7. AI倫理において「倫理的影響評価」が必要とされる理由として最も適切なものを選んでください。 AIシステムの効率性を高めるため AI技術が社会に及ぼす影響を予測し、リスクを最小限に抑えるため AI技術の開発速度を遅らせるため 特定の技術を優先するため None 8. 勾配降下法のバリエーションとして「確率的勾配降下法（SGD）」がありますが、これの特徴は何ですか？ 各イテレーションで1つのサンプルを使用して勾配を計算する 全てのデータを使用して勾配を計算する バッチサイズを使用して勾配を計算する 自動的に学習率を調整する None 9. AI技術が「持続可能な開発目標（SDGs）」に貢献できる方法として適切なのはどれですか？ AIが全ての開発目標を無視すること AI技術を活用してエネルギー効率を改善し、貧困や教育、医療の分野での解決策を提供すること AIが全てのデータを削除すること AIが全ての開発目標を自動で設定すること None 10. AI技術が「ディープフェイク」のような悪用に対処するために必要な対策は何ですか？ AIの技術を使ってディープフェイクの検出や防止を行い、法的規制を整備すること AIが全てのデータを公開すること AIが全てのフェイクを無視すること AIが全てのフェイクを削除すること None 11. データ分析における「特徴量エンジニアリング」の目的は何ですか？ データを削除すること データを統計的に分析すること データの欠損値を補完すること モデルの性能を向上させるために、新しい特徴量を生成・選択すること None 12. オンザフライデータ拡張（On-the-fly Data Augmentation）とは何ですか？ モデルのトレーニング中にリアルタイムでデータを拡張する手法 事前に拡張データを生成してから訓練する手法 トレーニングデータを無視してモデルを学習する手法 拡張データのラベルを変更する手法 None 13. GANを使用したデータ拡張の利点は何ですか？ 現実に近い新しいデータを生成できるため、データセットのサイズを効率的に増やせる データ拡張が不要になる トレーニングデータを削除できる モデルの性能が自動的に向上する None 14. AIプロジェクトで「異常検知」を行う際、時系列データを使用する場合に最も重要な前処理はどれですか？ データを匿名化する 欠損値の処理とデータのスムージング 特徴量の作成とデータの拡張 データを正規分布に変換する None 15. 画像データ拡張における「アフィン変換（Affine Transformation）」の役割は何ですか？ データを標準化する 画像のスケーリング、回転、平行移動を行う データの次元を削減する 重みの初期化を行う None 16. AIガバナンスにおける「説明責任」とは何を指しますか？ AIが下した決定に対して、開発者や運用者が責任を持ち、そのプロセスを説明できる必要があるため AIがすべての決定を自動で行うため AIがすべてのデータを削除するため AIがすべての作業を監視するため None 17. 「分散」とは何を意味しますか？ データの最大値と最小値の差 データのばらつきを示す指標 データの中央値 データの確率分布を示す関数 None 18. オートエンコーダの潜在変数（Latent Variables）とは何ですか？ データの次元削減された表現 訓練データの分類結果 データの誤差関数 デコーダ部分の入力値 None 19. バッチサイズを選択する際の考慮点はどれですか？ データのサイズのみ モデルの精度のみ メモリの制約と計算速度 全ての選択肢 None 20. オートエンコーダを使った異常検知において、異常なデータはどのように検出されますか？ 再構成誤差が大きい場合 デコーダの出力が正確な場合 潜在変数が固定されている場合 入力データがラベル付きの場合 None 21. AIシステムが「倫理的ガバナンス」を必要とする理由は何ですか？ AIが全ての仕事を自動化するため AIがすべてのデータを削除するため AIが誤った決定を下すリスクがあり、これを防ぐために倫理的な枠組みが必要であるため AIが全ての規制を無視するため None 22. 「安全性」がAIシステムにおいて重要視される理由は何ですか？ AIがすべての危険を無視するため AIがすべての作業を自動で行うため AIがデータをすべて削除するため AIが予測不能な行動を取ると、深刻な事故や問題を引き起こす可能性があるため None 23. モデル軽量化の技術として「エッジAI」とは何ですか？ クラウド上で大規模モデルを実行する技術 モバイルデバイスやエッジデバイス上で軽量化されたAIモデルを実行する技術 モデルのトレーニングを高速化する技術 モデルのパラメータ数を増やす技術 None 24. 最適化手法の一つとして「AdaGrad」が持つ特徴は何ですか？ 各パラメータに対して固定された学習率を使用する 学習率を各パラメータの過去の勾配の合計に基づいて調整する パラメータの更新を行わない モーメンタムを使用しない None 25. モデルの軽量化における「パラメータシェアリング」とは何ですか？ 異なるモデル間で同じデータを共有すること データの分割手法 モデルの出力層を複数持つこと モデル内で同じパラメータを複数の層で再利用すること None 26. AIガバナンスにおける「公平性」とは何を指しますか？ AIがすべての人に同じ結果を提供すること AIが特定のグループに有利な結果をもたらすこと AIが平等な処理を行い、偏見や差別を回避すること AIがすべての判断を無視すること None 27. モデルの軽量化手法として「低ランク近似」を用いる場合の主な目的は何ですか？ モデルの精度を向上させる データセットを小さくする モデルのパラメータを減少させ、効率化を図る モデルの学習時間を増やす None 28. オートエンコーダが次元削減に適している理由は何ですか？ 出力層の活性化関数が特別だから エンコーダとデコーダの層数が多いから 潜在変数がデータの重要な特徴を保持するから ラベル付きデータを使うから None 29. AI開発委託契約において「守秘義務契約（NDA）」の目的は何ですか？ 開発者が納期を守るため 開発に関わる情報を外部に漏らさないようにするため 委託者が開発費用を支払うため 開発者が他のプロジェクトで技術を利用するため None 30. 「Nesterov Accelerated Gradient（NAG）」がモーメンタム法と異なる点はどれですか？ 勾配の方向を無視する 現在の位置ではなく、予測された位置で勾配を計算する パラメータの更新を完全に停止する 学習率を動的に変更する None 31. RMSPropが「AdaGrad」の課題を解決するために導入した主な改善点は何ですか？ 学習率を完全に固定した パラメータ更新をミニバッチ単位で行う 損失関数を動的に変更する 勾配の移動平均を計算する仕組みを追加した None 32. AIシステムが倫理的に使用されるために「説明可能性」が求められる理由は何ですか？ AIの決定が人間に理解可能でなければ、その結果がなぜ出たのか分からないため AIが自動で全てを説明するため AIがすべてのデータを削除するため AIが説明を不要とするため None 33. データ拡張において、ランダムクロッピング（Random Cropping）は何を行いますか？ 画像全体を小さくする 画像の一部を拡大する 画像の一部をランダムに切り取る 画像を水平反転する None 34. モデルの軽量化を行った際に、精度が下がる可能性があるのはなぜですか？ モデルの学習率が高くなるため モデルの重要なパラメータが削除され、学習内容が失われる可能性があるため モデルが過学習するため データセットが増加するため None 35. AI技術における「倫理的影響」を監視するために必要なメカニズムは何ですか？ AIがすべての倫理的影響を無視すること AIがすべてのデータを自動で削除すること 独立した倫理委員会を設置し、AIの使用が社会や個人に与える影響を定期的に監視すること AIが全ての倫理的影響を自動で報告すること None 36. スパースオートエンコーダが有効な理由は何ですか？ データ全体を網羅的に処理するため データの冗長性を除去し、重要な特徴を強調するため 活性化関数を変更できるため 大量のラベル付きデータが必要だから None 37. モデルの解釈性を犠牲にせずに精度を向上させるための技術として適切なのはどれですか？ 蒸留モデル（Model Distillation） ドロップアウト バッチ正規化 過学習の防止 None 38. モデルの解釈性が低いと考えられるディープラーニングモデルに対して、解釈を提供する代表的な技術はどれですか？ LIMEやSHAP 正則化やドロップアウト 勾配消失の防止 ハイパーパラメータの最適化 None 39. 「責任の所在」がAI倫理において重要な理由は何ですか？ AIがすべての決定を自動で行うため AIが全ての責任を放棄するため AIがすべてのデータを削除するため AIが誤った決定を下した場合、誰がその結果に責任を持つべきかが明確でなければならないため None 40. モデル軽量化を行う際に使用される「スパース性」とは何ですか？ モデルがトレーニング時にランダムに動作すること モデル内の多くのパラメータがゼロ値を持つこと モデルが複数のデータセットを使用すること モデルが非常に大きくなること None 41. AI開発委託契約における「リスク分担」とは、どのような内容を指しますか？ 委託者が全てのリスクを負うこと 開発に関わる費用や責任を、開発者と委託者で事前に明確に分け合うこと 開発者が全てのリスクを負うこと リスクに関して取り決めは行わないこと None 42. AIガバナンスにおいて、「データ主権」の概念が重要視される理由として適切なものを選んでください。 個人や国家が自分のデータに対する管理権を持つことを保証するため データの商業利用を制限するため データ収集を完全に禁止するため データ取引の自由を促進するため None 43. AIガバナンスにおいて、アルゴリズムのバイアスを防ぐための適切な方法を1つ選んでください。 データセットの多様性を確保する アルゴリズムの複雑性を高める AIシステムを全自動で運用する データ分析を省略する None 44. 大規模データセットを扱う際に「データのサンプリング」を行う利点は何ですか？ モデルの精度を向上させる データ量を減らし、処理を効率化する データの次元を増加させる データのノイズを増やす None 45. 軽量化されたモデルをエッジデバイスにデプロイする際に「オンデバイス推論」が推奨される理由として最も適切なのはどれですか？ クラウドへの依存度を減らし、リアルタイム処理を可能にするため モデルを直接トレーニングするため 高精度な計算を実行するため デバイスのストレージを最小化するため None 46. モデル解釈性を考慮したAIシステムの設計において、「倫理的意思決定」を補助するために重要となる要素はどれですか？ モデルの処理速度 モデルの予測精度 モデルの説明可能性 モデルのパラメータ数 None 47. AIサービス提供契約で「不可抗力条項」が意味するものは何ですか？ サービス提供者が契約を自由に解除できる条件 委託者が無条件で契約を解約できる条項 サービスの料金を変更できる条件 予測不可能な事態により契約の履行が不可能になる場合の免責条項 None 48. RPROP（Resilient Backpropagation）の特徴は何ですか？ 勾配を使用して更新を行う バッチ学習の方法を使用する 各重みに対して固定の学習率を使用する 更新の大きさを勾配の符号に基づいて調整する None 49. AIサービス提供契約において、委託者がサービスに対する独占的な使用権を持つ場合、どのようなリスクが伴いますか？ 他の企業が同様のサービスを使用できなくなる サービス提供者がサービスの改良や更新に制限を受ける可能性 サービスの利用料金が引き下げられる サービスの稼働率が上がる None 50. AIサービス提供契約において「サービスの停止」が可能となる理由として、正しいものはどれですか？ 委託者がサービス料金を支払わない場合 サービス提供者が新しい技術を試すため 委託者がサービスの使用方法を変更する場合 サービス提供者が契約を無効にするため None 51. AIサービス提供契約において、一般的に委託者の責任として含まれる事項は何ですか？ AIシステムのアルゴリズムの更新 サービス提供に必要なデータの提供と使用許諾 AIモデルの改善 サービスの独占使用権 None 52. AIガバナンスにおいて「透明性」が重要視される理由は何ですか？ AIがすべてのデータを隠すため AIの決定プロセスが不透明だと、利用者がその結果を信頼できなくなるため AIがすべてのデータを公開するため AIがすべての判断を自動で行うため None 53. モデル軽量化において「層間結合の削減」を行う理由は何ですか？ モデルのパラメータ数を削減し、計算コストを減らすため モデルの精度を向上させるため データセットを圧縮するため モデルのトレーニング時間を増加させるため None 54. AIガバナンスにおける「プライバシー保護」が重要な理由は何ですか？ AIがすべてのデータを削除するため AIが個人情報を扱う際に、プライバシー侵害のリスクを防ぐため AIがすべての決定を自動で行うため AIがデータを勝手に変更するため None 55. スタッケードエルボー（Stochastic Elbow）とは何ですか？ オプティマイザーの種類 学習率の設定手法 バッチサイズを最適化する手法 勾配の分散を考慮した手法 None 56. AIガバナンスにおける「アルゴリズムのバイアス」を解消するための方法として、最も適切なのはどれですか？ AIシステムを全て削除する データの多様性を確保し、アルゴリズムが特定のグループに偏らないように設計・検証すること AIがすべての判断を無視すること AIがすべてのデータを削除すること None 57. データの欠損値が多い場合に行われる代表的な処理方法はどれですか？ 欠損値の除去や補完 モデルの複雑化 特徴量のスケーリング ランダムフォレストの適用 None 58. VAEにおける「再構成誤差」と「KLダイバージェンス」のバランスを取る理由は何ですか？ モデルの学習速度を向上させるため データの再構成精度と生成データの多様性を同時に向上させるため パラメータ数を削減するため 活性化関数を最適化するため None 59. オートエンコーダの主な目的は何ですか？ 画像生成 次元削減と特徴抽出 データの分類 出力層の誤差を減らす None 60. AI開発委託契約における「データ提供に関する条項」では何が明記されるべきですか？ 開発に使用するデータの提供元とデータの取り扱いに関する条件 データを無制限に利用できる権利 開発者が全てのデータを提供する義務 委託者がデータを販売する権利 None 61. AI技術において「長期的影響」を考慮する必要がある理由は何ですか？ AIがすべての影響を無視するため AIがすべての影響を自動で計算するため AIがすべてのデータを削除するため AIが社会や環境に与える影響が長期にわたって継続する可能性があるため None 62. 変分オートエンコーダ（VAE）の損失関数に含まれる「KLダイバージェンス」は何を表しますか？ モデルの誤差を最小化する値 出力層での分類精度 活性化関数の変化量 潜在変数の確率分布と正規分布との違い None 63. AIサービス提供契約において、提供されたデータに誤りがある場合、サービス提供者が負うべき責任は何ですか？ 提供データの修正義務と損害賠償の責任 提供データを削除する責任 提供データに関しては責任を負わない データを無制限に使用できる権利 None 64. 「学習率減衰（Learning Rate Decay）」が特に有効となる場面はどれですか？ 初期学習段階で収束速度を上げたい場合 勾配が発散しやすいモデルの場合 学習の後半で微調整を行いたい場合 モデルの汎化性能を完全に改善する場合 None 65. 変分オートエンコーダ（VAE）において、潜在空間を確率分布としてモデル化する利点は何ですか？ 再構成誤差がなくなる エンコーダの計算効率が向上する 新しいデータの生成が可能になる データの次元削減がより正確になる None 66. AI開発委託契約における「納期遅延」の場合、開発者に課される可能性がある罰則は何ですか？ 遅延損害金の支払い 委託者への特許権の譲渡 契約の延長 成果物の無料提供 None 67. ディープラーニングモデルにおいて「ヒートマップ」が解釈性向上のために使われる場面として適切なのはどれですか？ テキスト生成タスク 画像認識タスク 時系列データ解析タスク 数値回帰タスク None 68. AIサービス提供契約における「サービスレベルアグリーメント（SLA）」とは何ですか？ AIサービスの利用料金に関する契約 サービスの提供品質や可用性に関する契約条件 AIアルゴリズムの所有権に関する取り決め データの著作権に関する契約 None 69. AI開発委託契約において、「進捗報告」を義務付ける主な理由は何ですか？ 開発プロセスの透明性を確保し、リスクを早期に発見するため 開発者の業務を監視するため 委託者が進捗に基づいて契約を終了させるため 開発の進行を遅らせるため None 70. モデルの解釈性が求められる理由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時間を短縮するため モデルの予測に対する信頼性を向上させるため モデルのパラメータを増やすため モデルの計算速度を上げるため None 71. 学習率減衰（Learning Rate Decay）の目的は何ですか？ 学習率を段階的に減少させること 学習率を増加させること 学習を早く終わらせること モデルの複雑さを増すこと None 72. AIガバナンスにおいて「社会的責任」が強調される理由は何ですか？ AIがすべてのデータを公開するため AIがすべての決定を隠すため AIがすべてのデータを削除するため AIシステムが社会に対して悪影響を及ぼした場合、その影響を最小限に抑える責任があるため None 73. オートエンコーダのアーキテクチャには、次のどの層が含まれますか？ 畳み込み層とプーリング層 入力層と出力層のみ エンコーダ層とデコーダ層 隠れ層のみ None 74. LIMEを使用する際に考慮すべき重要な点は何ですか？ モデル全体を再訓練する必要がある モデルのパラメータを大幅に削減する モデルのローカルな部分での挙動を解釈するための手法であるため、グローバルな解釈には適さない 学習率を大幅に低下させる None 75. オートエンコーダの再構成誤差（Reconstruction Error）とは何ですか？ 元のデータと再構成されたデータとの差 学習中の重みの変化量 次元削減後のデータの大きさ 活性化関数の値の変化 None 76. AIシステムの開発において「持続可能性」が重要とされる理由は何ですか？ AIシステムが長期的に利用可能で、環境への影響を最小限に抑えることが求められるため AIがすべてのエネルギーを削減するため AIがすべての資源を使用するため AIがすべてのデータを消去するため None 77. オートエンコーダにおいて、潜在変数（Latent Variables）が重要とされる理由は何ですか？ 再構成誤差を最小化するために直接利用されるため 高次元データを圧縮して重要な特徴を抽出するため デコーダの構造を単純化するため 入力データのラベルを付けるため None 78. 「AIの安全性」と「技術革新」をバランスさせるために必要な取り組みは何ですか？ AIの技術革新を完全に止めること AIが全ての技術を無視すること AIが技術革新を自動で行うこと AIの安全性を確保しつつ、技術革新を進めるために倫理的なガイドラインを導入すること None 79. バッチ勾配降下法の特徴は何ですか？ 各イテレーションでデータポイントを1つだけ使用する 複数のデータポイントを使用するが、各バッチが固定されている 学習率が固定されている 全てのデータポイントを使用して勾配を計算する None 80. SHAPの利点として正しいものはどれですか？ モデルのパラメータを最適化する 各特徴量が予測にどれだけ影響したかを明確に示す モデルの訓練速度を速める 過学習を防ぐ None 81. モデル軽量化の実装で「混合精度トレーニング」が推奨されるのはどのような場合ですか？ 高精度が不要なタスクの場合 トレーニングデータが少ない場合 モデルがすでに軽量化されている場合 計算資源を効率的に活用したい場合 None 82. モデル軽量化を行う際に「モデル圧縮ライブラリ」が使用される理由は何ですか？ モデルの圧縮や量子化、プルーニングを容易に行うため モデルの学習データを増加させるため モデルの精度を低下させるため モデルのトレーニング時間を延長するため None 83. AIシステムの意思決定プロセスにおける説明可能性を確保する際、技術的に不適切な手段はどれですか。 システムのアルゴリズムを可視化する データ入力と出力の関係を解析する ユーザー向けに判断理由を簡潔に説明する 開発者がアルゴリズムを秘匿する None 84. VAEが新しいデータを生成できる理由は何ですか？ 正規分布に基づくサンプリングが行われるから ランダムなノイズが常に入力されるから 潜在変数が固定されているから モデルが過学習を避けるため None 85. データの「正規化」とは何を目的とした処理ですか？ データを無作為に選択すること データをランダムに削除すること データの範囲を揃え、学習の効率を向上させること データの次元を増やすこと None 86. AIサービス提供契約で、利用者がサービスを運用中に規約違反を犯した場合、提供者がサービスを停止する権利を行使する主な理由として適切なのはどれですか？ 規約違反があっても、提供者には停止権はない 提供者が利用者の行動を監視して収益を上げるため 規約違反に関わらず、利用者に常時サービスを提供する義務があるため 利用者が規約に違反した場合、サービス提供者に法的責任が及ぶ可能性があるから None 87. モデル軽量化において「量子化後のファインチューニング」が必要な理由は何ですか？ モデルのパラメータを増やすため 量子化による精度低下を最小限に抑えるため モデルのトレーニングデータを増やすため モデルの計算量を増加させるため None 88. LIME（Local Interpretable Model-agnostic Explanations）とは何ですか？ モデル全体の挙動を理解するための手法 特定の予測に対してローカルに解釈を提供する手法 モデルのトレーニングを最適化する手法 データの前処理を行う手法 None 89. 「ハイパーパラメータチューニング」を行う際に、過学習を防ぐための適切な手法はどれですか？ 学習データを増加させる 検証データを使用してモデルのパフォーマンスを評価する ハイパーパラメータをランダムに設定する データをすべてトレーニングデータとして使用する None 90. デノイジングオートエンコーダが、入力データに意図的にノイズを加えた状態で学習を行う理由は何ですか？ モデルがノイズを学習するようにするため ノイズを除去する能力を向上させるため 再構成誤差を増大させるため 潜在変数の次元数を削減するため None 91. モデルの解釈性が低い場合、実運用で直面するリスクとして最も適切なのはどれですか？ モデルのトレーニングが早く終わる モデルのパフォーマンスが向上する モデルの設計が単純化される モデルの判断が誤解され、信頼性が低下する None 92. 「データバランシング」の主な目的として最も適切なのはどれですか？ データを均等に分割するため クラス不均衡の影響を軽減し、モデルの公平性を向上させるため 特徴量間の相関を削除するため トレーニングデータを増加させるため None 93. データ加工において「次元削減」が行われる理由は何ですか？ データ量を増やすため モデルのパフォーマンスを向上させるため データの関連性を減らすため データのノイズを増加させるため None 94. AIガバナンスにおける「リスク管理」の重要性は何ですか？ AIがすべてのリスクを無視すること AIが全てのデータを削除すること AIがすべてのリスクを自動で処理するため AIシステムが社会や個人に与えるリスクを特定し、適切な対策を講じるため None 95. AIガバナンスにおける「国際協力」が必要とされる主な理由はどれですか。 各国の技術開発競争を促進するため 世界共通の倫理基準を策定するため AI技術の進化を遅らせるため 特定の国におけるAIの独占を助長するため None 96. オートエンコーダが他のニューラルネットワークと異なる特徴はどれですか？ ラベル付きデータを必要としない 活性化関数を使用しない 勾配消失問題を持たない 出力層を持たない None 97. ブラックボックスモデルとは何ですか？ 予測結果のみが得られ、内部の処理が不透明なモデル 透明で理解しやすいモデル 単純な線形モデル 人工知能ではなく機械学習のモデル None 98. AIガバナンスにおける「国際協力」が必要な理由は何ですか？ AIがすべての国で同じ技術を使用するため AI技術は国境を越えて影響を及ぼすため、各国が連携してルールやガイドラインを整備する必要があるため AIがすべてのデータを無視するため AIがすべての国で同じ規則に従うため None 99. AIサービス提供契約において、「データ所有権」が明確に定義される理由は何ですか？ データの帰属を明確にし、不当利用を防ぐため データの利用が無制限で許可されるようにするため サービス提供者がすべてのデータを公開できるようにするため データを契約終了後も利用できるようにするため None 100. データ分析の目的は何ですか？ データの傾向やパターンを理解し、AIモデルの学習に役立てるため データを削除するため データの次元を増やすため モデルの複雑さを減らすため None 101. 最適化手法で「局所最適解」に陥るリスクを軽減するために有効な戦略として適切なのはどれですか？ 学習率を固定する モーメンタムを導入する 勾配の符号を反転させる バッチサイズを増加させる None 102. 最適化手法において「局所最適解」とは何ですか？ モデルが収束する最良の点 訓練データの中で最適なサンプル 勾配がゼロになる点で、最適でない可能性がある モデルが一貫して高い精度を持つ状態 None 103. AIサービス提供契約において「利用停止権」がサービス提供者に認められる場合、その行使条件として適切なものは何ですか？ サービスが委託者に必要ないと判断された場合 委託者が契約条件に違反した場合 サービス提供者が他の契約を優先したい場合 サービスの更新が必要な場合 None 104. オートエンコーダのエンコーダ部分の出力は何を示していますか？ 学習率 潜在変数（Latent Variables） 誤差関数 勾配の大きさ None 105. データ拡張において、音声データの「時間引き伸ばし（Time Stretching）」の主な効果は何ですか？ データのラベルを変更せずに、再生速度を変更してモデルの適応能力を向上させる 音声データの周波数特性を変更して分類性能を向上させる 音声データにノイズを追加して耐性を強化する データの時間的構造を破壊することで汎化性能を高める None 106. 「t検定」が使用される場面はどのような場合ですか？ データの分散を求める場合 データを正規分布に従わせる場合 2つのグループの平均が統計的に有意に異なるかを検定する場合 データのばらつきを減少させる場合 None 107. Adamオプティマイザーの特徴として正しいものはどれですか？ 学習率が固定である 逐次的にデータを学習する 交差エントロピー損失に特化している 勾配のモーメントを利用する None 108. AI開発委託契約において「成果物の品質保証期間」は通常どのように設定されますか？ 成果物の引渡し後、契約で定めた期間 成果物の引渡し後、無期限 成果物の引渡し前にのみ適用される 法律で自動的に定められる None 109. 学習率が小さすぎると、どのような問題が発生しますか？ 学習が収束しない 学習速度が遅くなる モデルが過剰適合する バッチサイズが固定される None 110. 最適化手法において「Nesterov Accelerated Gradient（NAG）」の特徴は何ですか？ 勾配を更新する前に予測を行う 学習率が常に一定である バッチサイズを小さくすること モデルの複雑さを増すこと None 111. 「次元削減」を行う際に用いられる代表的な手法はどれですか？ データ拡張 データ分割 主成分分析（PCA） データのスケーリング None 112. 主成分分析（PCA）の主な目的は次のうちどれですか？ モデルの精度を向上させる データの次元を削減し、情報を効率的に保持する 特徴量間の相関関係を削除する データを標準化する None 113. データ拡張を使っても汎化性能が向上しない可能性がある場合は、どのような状況ですか？ 元のデータが非常に大規模で多様性がある場合 学習率が高すぎる場合 正則化が適切に行われていない場合 モデルが適切に訓練されていない場合 None 114. AIサービス提供契約における「データの匿名化」が求められる理由として適切なものはどれですか？ データの使用を無制限にするため データの削除を容易にするため データを共有しやすくするため 個人情報保護法やGDPRなどの法的規制に準拠するため None 115. 「標準化」とは何を意味し、その主な目的は何ですか？ データを全て正の値に変換する データの分布を正規分布に変換する データを平均0、標準偏差1に変換する データの外れ値を削除する None 116. モデルの軽量化に関連する「ハフマン符号化」とは何ですか？ モデルの精度を高めるための手法 モデルのパラメータを圧縮するための手法 モデルのデータセットを増やすための手法 モデルの計算速度を低下させる手法 None 117. 「線形回帰」において、決定係数（(R^2\））が示すものとして正しいのはどれですか？ 説明変数が目的変数をどれだけ説明できるかを表す指標 モデルがすべてのデータ点を正確に予測できる確率 モデルの誤差の総和 データの分散の逆数 None 118. 「プライバシーの保護」がAI倫理において重要な理由は何ですか？ AIが全てのデータを公開するため AIが個人のプライバシーを侵害しないようにするため AIが全てのプライバシーを削除するため AIが個人の情報を勝手に変更するため None 119. 「ロジスティック回帰」における目的変数は何ですか？ 連続値 カテゴリカルデータ（0または1などの二値データ） 離散値 多次元データ None 120. ニューラルネットワークの学習過程で、勾配消失問題（Vanishing Gradient Problem）が発生する原因として最も適切なのはどれですか？ 活性化関数の勾配が非常に小さくなる 学習率が過大である データが標準化されていない 活性化関数がReLU以外の場合のみ発生する None 121. 「データ拡張（Data Augmentation）」がAIモデルの学習に有効な理由は何ですか？ 学習データを仮想的に増やし、モデルの汎化性能を向上させるため データを削除して学習時間を短縮するため データを無作為に分割して学習するため モデルの過学習を促進するため None 122. AI開発委託契約において、第三者の知的財産権を侵害していることが判明した場合の対応として、委託者が考慮すべき事項は何ですか？ 契約に基づき、開発者に責任を負わせるか、対応を協議する 開発者に無条件で責任を負わせる 契約を無効にする 知的財産権の侵害を無視する None 123. GAN（Generative Adversarial Networks）はどのようにデータ拡張に関連していますか？ GANはデータを直接ラベル付けする GANはデータ拡張を必要としない GANは新しいデータを生成することでデータ拡張を行う GANはデータを正規化する None 124. AIにおいて「正規分布」がよく使用される理由は何ですか？ 多くの自然現象が正規分布に従うため データが常に対称分布を示すため 外れ値が存在しないため データの分布が一定であるため None 125. AIサービス提供契約における「秘密保持義務」はどのような情報に適用されるべきですか？ 双方が機密と認めた情報にのみ適用される すべての情報に適用される 委託者が提供したデータにのみ適用される サービス提供者の技術にのみ適用される None 126. 「ラプラス変換」は、AIでどのように利用されますか？ データを標準化するため 微分方程式を解く際に使用されるため、特に制御理論や信号処理で活用される データの次元を削減するため データのばらつきを減らすため None 127. AIガバナンスにおいて「ディープフェイク」のような悪用に対する対策が必要な理由は何ですか？ AIがすべてのフェイクを作成するため AIがすべてのフェイクを隠すため AIを利用したディープフェイクは、社会に混乱をもたらし、信頼性を損なうリスクがあるため AIがすべてのフェイクを自動で処理するため None 128. オートエンコーダの出力が入力と同一であることを確認するために使用される損失関数はどれですか？ クロスエントロピー損失 Hinge損失 正則化損失 平均二乗誤差（MSE） None 129. データのバイアスとは何を指しますか？ 特定の傾向に偏ったデータ データの欠損を意味する データ量が多すぎること データの正規化が不十分なこと None 130. データ拡張を使用する場合、どのような注意が必要ですか？ データ拡張が過度にならないように調整する必要がある 常に最大限のデータ拡張を行う データ拡張を行わない方が良い ラベルを変える必要がある None 131. AI開発委託契約において、進捗報告を義務付けることの目的は何ですか？ 開発の進行状況を把握し、問題発生時に早期対応できるようにするため 開発者の能力を評価するため 契約の終了を早めるため 委託者が開発者を監視するため None 132. AI倫理における「説明責任」と「説明可能性」の違いについて最も適切な説明を選んでください。 説明責任は開発者にのみ求められるが、説明可能性は利用者に求められる 説明責任は法律上の義務であり、説明可能性は任意で提供される情報である 説明責任と説明可能性は同義である 説明責任は結果に対する責任であり、説明可能性はAIシステムの判断プロセスを理解可能にすることを指す None 133. 「データのスケーリング」を行わないと発生する問題は何ですか？ モデルの学習が収束しない可能性がある モデルの複雑さが増す データが削除される モデルのパラメータ数が増える None 134. モデルの解釈性を高めるために「部分依存プロット（Partial Dependence Plot, PDP）」が使用される理由は何ですか？ 特定の特徴量が予測結果にどのような影響を与えるかを可視化するため モデルのパラメータを最適化するため データセットのサイズを削減するため モデルの学習率を調整するため None 135. オンザフライデータ拡張の利点は何ですか？ データ拡張を事前に行うことで、計算資源を節約できる データセットを圧縮する データの正規化を行う トレーニング中にリアルタイムで異なるデータバリエーションを提供し、モデルがより多様なデータを学習できる None 136. AI技術における「データの正確性」を確保するために重要な取り組みは何ですか？ AIが全てのデータを削除すること データ収集の段階から正確で信頼性の高いデータを使用し、定期的に更新・検証すること AIが全てのデータを無視すること AIが全てのデータを自動で生成すること None 137. 「尤度関数」とは何ですか？ あるモデルがデータをどの程度よく説明しているかを示す指標 モデルの分散を最小化する関数 データを標準化するための関数 データのばらつきを示す指標 None 138. 「標準偏差」はどのように定義されますか？ 平均の2倍 データのばらつきの平均 分散の2倍 分散の平方根 None 139. スパースオートエンコーダが通常のオートエンコーダと異なる点は何ですか？ 潜在変数が全てのニューロンに分散される 潜在変数の一部だけが活性化されるように制約がかかる 重みの更新方法が異なる データの次元削減が行われない None 140. オートエンコーダはどのようなタイプのニューラルネットワークですか？ 教師あり学習モデル 強化学習モデル 自己教師あり学習モデル 無教師あり学習モデル None 141. 「ローカルな解釈性」とは何ですか？ モデル全体を理解する手法 個別の予測や判断に対して解釈を行う手法 データの前処理を行う手法 モデルの訓練方法を説明する手法 None 142. モデルの解釈性とは何を指しますか？ モデルが複雑であること モデルがどのようにして予測や判断を行ったかを説明できること モデルの性能が高いこと モデルが高速に動作すること None 143. 「平均」とは何を表しますか？ データの最大値 データの全体を均等に分布させた場合の中心値 データのばらつきを表す指標 データの最小値 None 144. グローバルな解釈性とは何ですか？ モデル全体の動作やパラメータの役割を説明する手法 特定のデータポイントに対する解釈を行う手法 データのクレンジングを行う手法 モデルの速度を評価する手法 None 145. AI技術の開発における「倫理的デザイン」が求められる理由は何ですか？ AIが全てのデザインを無視するため AIが人間の倫理基準に基づいて設計されることで、技術の悪用を防ぐため AIが全ての設計を自動で行うため AIがすべてのデザインを削除するため None 146. データ拡張における「ミックスアップ（Mixup）」とは何ですか？ データのランダム削除 画像の色調補正 データを削減する手法 複数の異なるデータを混合して新しいデータを生成する手法 None 147. AI倫理において「国際協力」が求められる理由として適切なものを1つ選んでください。 各国の競争を促進するため 世界共通の基準を確立し、AI技術の公平な利用を促進するため AI技術を完全に規制するため 特定の国がAI技術を独占できるようにするため None 148. 部分依存プロット（PDP）が使用される目的として最も適切なのはどれですか？ 特定の予測結果の根拠を説明するため モデルのトレーニング時間を短縮するため 特徴量の全体的な影響を視覚化するため モデルの予測精度を向上させるため None 149. モデルの軽量化で「ハードウェアアクセラレーション」を活用する理由は何ですか？ モデルのサイズを増やすため モデルの精度を低下させるため モデルのトレーニング時間を延長するため モデルのパフォーマンスを最大化するために専用のハードウェアを使用する None 150. 「ベイズ推定」とはどのような方法ですか？ データの次元削減を行う手法 確率分布を均一にする手法 データの標準化を行う手法 事前確率と新しいデータを組み合わせて、事後確率を求める手法 None 151. モデル軽量化において、「混合精度トレーニング（Mixed Precision Training）」が効果的な理由は何ですか？ モデルのトレーニング速度を遅くするため モデルの計算精度を低下させるため 32ビットと16ビットの計算を組み合わせることで、計算効率を向上させつつ精度を維持できるため モデルのデータセットを圧縮するため None 152. データの収集において「データプライバシー法（例: GDPR）」に従わない場合のリスクは何ですか？ データの質が低下する 法的な制裁を受ける可能性がある モデルの精度が低下する データ量が減少する None 153. モデルの解釈性が重要とされる分野はどれですか？ 医療診断 自動運転 金融取引 すべての選択肢 None 154. AIサービス提供契約で、提供者がサービスの品質を保証するために定める「サービスの稼働率（Availability）」の基準は、主に何を表していますか？ サービスが完全に無停止で稼働する割合 サービスが利用可能である時間の割合 サービスがデータを完全に保護する割合 サービス提供者のサポート品質の割合 None 155. モデルの軽量化において「量子化（Quantization）」の役割は何ですか？ モデルの精度を向上させる モデルの計算精度を低下させる モデルのパラメータを低精度な数値に置き換えることで計算コストを削減する モデルの訓練時間を増やす None 156. デノイジングオートエンコーダの訓練過程において、入力データにノイズを加える目的は何ですか？ データの正規化 勾配爆発を防ぐため モデルのロバスト性を向上させるため ノイズの影響を強調するため None 157. AIサービス提供契約における「知的財産権の帰属」はどのように決定されますか？ サービス提供者に自動的に帰属する 委託者に自動的に帰属する 契約で取り決められる 法律で自動的に定められる None 158. 「オンザフライデータ拡張（On-the-fly Data Augmentation）」の利点として最も適切なものはどれですか？ データ拡張の結果が常に同じである 訓練データのサイズを大幅に減らすことができる モデルのトレーニング速度を向上させる 拡張データを事前に保存する必要がないため、ストレージコストを削減できる None 159. AI開発において、委託者が成果物に満足できなかった場合、どのような措置を取るべきですか？ 自ら修正する 開発者に罰金を科す 開発者を変更する まず契約に基づく瑕疵修正を開発者に求める None 160. 「Adamオプティマイザー」がRMSPropに比べて有利な点として最も適切なものはどれですか？ 一次モーメントと二次モーメントの両方を利用している 学習率が自動的に減少する バッチサイズの選択が不要である 勾配消失問題を完全に解決する None Time's up
