G検定～模擬試験②～ 2024年12月6日2024年12月6日 ailearn 1. プーリング層のカーネルサイズを大きくすることのデメリットは何ですか？ 計算量が増加する モデルの表現力が低下する 過剰適合が進行する 情報の損失が大きくなる None 2. 「意味ネットワーク（Semantic Network）」が他の知識表現形式と異なる特徴はどれですか？ 属性と値のペアを用いる 確率モデルに基づいて推論を行う 条件付きルールで推論を行う グラフ構造を使用して概念間の関係を視覚的に表現する None 3. 活性化関数としてPReLU（Parametric ReLU）がLeaky ReLUよりも優れている理由は何ですか？ 勾配消失問題を完全に防ぐ 負のスロープを学習可能にするため、適応性が高い 出力をゼロに制限する 計算コストを大幅に削減する None 4. Deep Residual Networks（ResNet）におけるReLUの役割は何ですか？ 残差を計算するため 残差接続を消去するため 非線形性を導入し、学習を安定化させるため モデルを小さくするため None 5. AIシステムにおいて「個人間の公平性」を確保するための主な取り組みは何ですか？ 全てのデータを匿名化すること システムが結果を均一化すること 個々のユーザーを基に結果を調整すること ユーザーの意見を排除すること None 6. AI分野において、特許権の取得が重要な理由は何ですか？ 他社が同様の技術を無断で使用するのを防ぐため 特許権を取得しなければ技術を公開しなければならないため 特許を取得しないと技術の開発が進まないため 特許庁に技術の所有権を移転するため None 7. バッチ正規化が過学習に対して有効でない場合に使用する正規化手法は何ですか？ グループ正規化 ドロップアウト レイヤーノーマライゼーション 重みの初期化 None 8. 次のうち、探索アルゴリズムとして正しいものはどれか。 データの分類やクラスタリングを行うアルゴリズム 目的に最適な経路や解を見つけるために、状態空間を調べるアルゴリズム 深層学習モデルの訓練に使用するアルゴリズム 強化学習で使われる報酬システムを最適化するアルゴリズム None 9. AIが採用面接の評価で候補者の学歴を過度に重視し、特定の集団に不利な評価をしている場合、どのようにバイアスを解消できますか？ 学歴データを削除し、評価基準を見直す 学歴データをさらに強化する 学歴データに基づく評価を続ける 採用システムを停止する None 10. ストライドとは何ですか？ プーリング層のサイズを決定するパラメータ プーリング層の計算速度を決定するパラメータ フィルターの移動幅を決定するパラメータ ニューラルネットワークの学習率を決定するパラメータ None 11. 勾配消失問題を軽減するために一般的に使用される活性化関数はどれですか？ シグモイド tanh ReLU 恒等関数 None 12. 「Curiosity-driven Exploration」は、どのような場合に強化学習で役立ちますか？ 環境に明示的な報酬がほとんど存在しない場合 環境が大きな報酬を明確に提供する場合 環境がエージェントに常に同じ状態を提供する場合 エージェントが確率的に行動する場合 None 13. 探索アルゴリズムにおける「ビーム幅」が狭すぎる場合に発生する可能性が高い問題はどれですか？ 探索が無限ループに陥る 計算コストが大幅に増加する 最適解を見逃す可能性がある 探索時間が長くなりすぎる None 14. AIシステムが公平性を確保するために、特定の結果を意図的に調整する手法の利点と課題は何ですか？ 利点: 公平性が向上する / 課題: 意図的調整が新たなバイアスを生む可能性がある 利点: 公平性が低下する / 課題: バイアスが完全に排除される 利点: 結果が完全にランダム化される / 課題: 公平性の向上が困難になる 利点: 全てのグループが同じ結果を受け取る / 課題: データの偏りが固定される None 15. Swish関数が特に役立つとされる状況はどれですか？ 小さなネットワークで高速な学習が必要な場合 ReLUが機能しない場合 すべての入力が負の値になる場合 深いニューラルネットワークで滑らかな学習が必要な場合 None 16. Q学習において、「Q関数」は何を表しますか？ 状態と行動のペアに対する期待される累積報酬 行動の選択確率 エージェントの行動方針 環境の変化速度 None 17. 次のうち、エキスパートシステムの開発における「知識獲得」の主な課題はどれか？ 必要なデータを効率的に収集すること 専門家の知識を形式化し、システムに組み込むこと データベースの効率的な設計 ルールを自動生成すること None 18. Q学習において、学習の目標は何ですか？ 状態遷移確率を計算する 最適なQ関数を学習し、報酬を最大化する 学習率を最小化する 報酬を無限大にする None 19. 「tanh」関数の出力範囲はどれですか？ 0から1 -1から1 0から無限大 -無限大から無限大 None 20. 音声認識モデルの性能評価に用いられる「WER（Word Error Rate）」とは何ですか？ 誤って認識された単語の割合を示す指標 訓練データのサイズを示す指標 モデルの計算速度を示す指標 モデルの精度を示す指標 None 21. 正規化層の追加によって、学習速度が向上する理由は何ですか？ 計算量が減少するため バッチサイズを小さくすることができるため アクティベーション関数の出力が増加するため 勾配が安定し、より高い学習率を使用できるため None 22. AIシステムが自動車保険の料金計算で性別に基づく不公平な料金を設定している場合、どのように修正すべきですか？ 性別に応じた料金を自動で設定する 性別データを増やす 性別に関連するデータを削除し、モデルを再トレーニングする AIシステムを停止する None 23. プーリング層で「サブサンプリング（Subsampling）」を行う主な目的として適切なものはどれですか？ 入力データの次元を増加させるため 特徴マップの解像度を下げ、計算負荷を軽減するため 入力データをフィルタリングするため データの空間的な分布を均一化するため None 24. AIシステムのセキュリティ対策において、データの「暗号化」の目的は何ですか？ データを迅速に処理するため データを永久に保存するため データの機密性を確保し、不正アクセスから保護するため データを共有しやすくするため None 25. バッチ正規化における「ガンマ（γ）」と「ベータ（β）」の役割は何ですか？ 勾配の更新を調整する 正規化後の出力を再スケーリング、再シフトする ニューラルネットワークの深さを調整する 学習率を調整する None 26. 強化学習における「方策勾配法」がQ学習よりも有効な場合はどのような状況ですか？ 連続的な行動空間を持つ問題の場合 離散的な行動空間を持つ問題の場合 環境が静的な場合 報酬が常に正の値の場合 None 27. AIシステムが銀行の融資判断で年齢による差別をしている場合、そのバイアスを解消するために行うべき処置は何ですか？ 年齢に基づいたデータを増やす 融資判断において年齢を最も重視する 年齢データを使用しないようにする 年齢に関連するデータを完全に削除し、モデルを再トレーニングする None 28. ディープラーニングにおいて、活性化関数を適切に選択しない場合、どのような問題が発生しますか？ ニューラルネットワークの構造が崩れる 勾配消失や勾配爆発が起こり、学習が進まなくなる モデルの出力がランダムになる 訓練データが正しくない結果を生む None 29. 次のうち、ミニマックス法の目的として最も適切なものはどれか。 可能な限り最も大きな報酬を獲得する 相手が最も不利になるように自分の行動を最適化する 最も小さなコストで解を見つける 相手の最善の行動を考慮しつつ、自分の最善の行動を選ぶ None 30. 勾配降下法（Gradient Descent）の目的は何か？ 訓練データをランダムにシャッフルする モデルの出力を正規化する 次元削減を行うためにデータを変換する コスト関数を最小化するためにモデルのパラメータを更新する None 31. AIにおいて、「アウトカムの公正性」とはどのように定義されますか？ AIの結果がすべてのユーザーに同一であること AIが各グループに対して平等な結果を提供すること AIがすべてのデータを平等に処理すること AIがデータ収集を最小化すること None 32. 音声合成技術における「テキスト音声合成（TTS）」とは何ですか？ 音声をテキストに変換する技術 音声を圧縮する技術 テキストを音声に変換する技術 音声をノイズ除去する技術 None 33. エキスパートシステムにおける「ブラックボックス」方式の問題点として適切なのはどれか？ 推論過程がユーザーに対して不透明になる 知識ベースの構築が困難になる 推論結果がすぐに提供される すべての知識が一度に処理される None 34. AI技術に関連する「特許請求の範囲」を明確にする目的は何ですか？ 特許の内容を秘密に保つため 特許出願の際に、審査官の負担を軽減するため 発明の権利範囲を具体的に定め、他者の侵害を防ぐため 出願者が特許権を他者に譲渡するため None 35. ニューラルネットワークで「ドロップアウト」の目的は何か？ モデルの訓練データを増やす モデルの過学習を防ぐ モデルの重みを初期化する 訓練データの次元を削減する None 36. 音声認識において、最も一般的に使用されるディープラーニングモデルはどれですか？ CNN RNN SVM k-NN None 37. AIシステムのセキュリティリスクとして、「モデルインバージョン攻撃」とは何を指しますか？ AIモデルを逆向きに運用する攻撃 AIモデルに入力されたデータから個人情報を復元する攻撃 AIモデルの性能を意図的に低下させる攻撃 AIモデルを完全に破壊する攻撃 None 38. 深層強化学習において、「価値関数」とはどのようなものですか？ 環境の状態を予測する関数 エージェントが受け取る報酬の期待値を表す関数 方策を直接決定するためのモデル ディープニューラルネットワークの学習損失を計算する関数 None 39. AI関連の特許出願において、「特許協力条約（PCT）」を利用する利点は何ですか？ すべての国で自動的に特許が認められる 特許取得の費用を削減できる 一度の出願で複数の国に特許出願ができる 審査を省略することができる None 40. 特許協力条約（PCT）に基づく国際出願の利点は何ですか？ 出願後すぐに特許権が認められる 国内出願が不要になる 一度の出願で複数国に特許出願ができる 全世界で特許が自動的に保護される None 41. AIシステムの安全性確保のために「サンドボックス環境」を利用する主な目的は何ですか？ システムを本番環境で直接テストするため システムの動作を完全に停止させるため サンドボックス内でのみシステムを使用するため システムが外部リスクから隔離された状態でテストできるようにするため None 42. AI関連技術の発明に対する特許取得において、重要なポイントは何ですか？ 発明が既存のAI技術と明確に異なること 発明が商業的に利用されていること 発明が秘密裏に開発されていること 発明が公開されていること None 43. プーリング層は通常どのような位置に配置されますか？ ニューラルネットワークの入力層 畳み込み層の後 出力層の直前 重み更新のタイミングで挿入される None 44. 機械学習において「過学習（オーバーフィッティング）」とは何か？ モデルが学習データに過度に適合し、新しいデータに対しての汎化能力が低下すること モデルが学習データに適合できず、予測精度が低下すること 学習データが十分でないために、モデルの性能が低いこと モデルが極端に単純化され、性能が高くなること None 45. バッチ正規化層が適用されるタイミングはどの部分ですか？ 入力層の前 各層の出力後、アクティベーション関数の前 各層の入力後、アクティベーション関数の後 最終層の直後 None 46. AI関連技術において「進歩性」が認められない場合、特許出願者が取り得る対応策として適切なのはどれですか？ 出願を取り下げ、別の技術で再出願する 出願内容を公開し、進歩性を補完する 出願内容を変更せずに審査を継続する 補正書を提出し、発明の技術的効果を強調する None 47. AIが「プロセスの公平性」を確保するために行うべき最も重要な取り組みは何ですか？ アルゴリズムがすべての結果を均一に提供すること 特定のグループを排除する結果を生成すること 意思決定プロセスの透明性を確保し、基準を明確化すること ユーザーからのフィードバックを完全に排除すること None 48. 特許法に基づく「新規性喪失の例外」とは何ですか？ 発明が既に公開されていても、特定の条件を満たせば特許を取得できること 発明が全く新しくないこと 発明が商業的に利用できないこと 発明が特許庁に登録されないこと None 49. 音声処理における「メル周波数ケプストラム係数（MFCC）」の役割は何ですか？ 音声信号の特徴量を抽出する 音声信号のノイズを除去する 音声信号を正規化する 音声信号を圧縮する None 50. AIシステムにおける「安全性」とは、どのようなことを指しますか？ AIが物理的な危害を引き起こさないこと AIシステムが常に正しい結果を提供すること AIがユーザーのプライバシーを保護すること AIが常に高速に動作すること None 51. 音声認識における「エンドツーエンドモデル」とは何ですか？ 音声信号を複数の中間層で処理するモデル 音声信号から直接テキストを生成するモデル 音声信号を正規化するモデル テキストデータから音声を生成するモデル None 52. ドロップアウトと正規化層を併用するメリットは何ですか？ 正則化の効果が増加し、過剰適合を防ぐことができる モデルの計算速度が速くなる 勾配の変動を増加させ、学習を早く進める ニューラルネットワークの深さを減らすことができる None 53. 音声処理で使われる「スペクトログラム」は何を表しますか？ 音の周波数成分を時間ごとに可視化したもの 音声の波形データ ノイズ除去の手法 音声データの正規化手法 None 54. AIシステムにおける「バックドア攻撃」とは何ですか？ システムの開発者が意図的に設けた裏口を使って、システムに不正アクセスする攻撃 システムが物理的に破壊される攻撃 AIが自動的に判断を変更する攻撃 システムがデータを無効にする攻撃 None 55. 活性化関数の選択が勾配消失問題に与える影響について、正しい記述はどれですか？ シグモイド関数を使用すると勾配消失問題が発生しやすい Tanh関数は勾配消失問題を完全に解決する ReLUは勾配爆発を引き起こす可能性がある ソフトマックス関数が勾配消失を防ぐ None 56. 強化学習における「探索」と「活用」のバランスを取るための一般的な方法はどれですか？ 正規化とドロップアウト Boltzmann探索とε-greedy法 勾配降下法と逆伝播 サンプリングとリサンプリング None 57. AI倫理における「プロセスの公正性」とは何ですか？ AIが全てのプロセスを自動化すること AIがデータ処理を迅速に行うこと AIが意思決定プロセスにおいて、全てのユーザーを公平に扱うこと AIが結果の正確性を優先すること None 58. 次のうち、深さ優先探索（DFS）の利点として最も適切なものはどれか。 メモリ使用量が少ない 常に最適解を保証する ゴールに到達するまで探索は止まらない 同時に複数のパスを探索する None 59. 最大プーリング（Max Pooling）の動作は次のどれですか？ プール領域内の全ての値の和を取る プール領域内の最大値を取る プール領域内の最小値を取る プール領域内の平均値を取る None 60. モデルの過学習を防ぐために一般的に使用される手法として適切でないものはどれですか？ 高次元の特徴量を追加 データ拡張 交差検証 正則化 None 61. 深層強化学習で用いられる「ターゲットネットワーク」とは何ですか？ エージェントの行動を評価するためのネットワーク 報酬の割引率を計算するネットワーク ノイズを除去するためのネットワーク 学習を安定させるために使用されるネットワーク None 62. A*アルゴリズムにおいて、ヒューリスティック関数はどのように使用されるか。 次に探索するノードをランダムに選ぶために使用される 現在のノードからゴールまでの予想コストを見積もるために使用される ノードの重み付けを決定し、最適な道を選ぶために使用される 探索が終了する条件を設定するために使用される None 63. プーリング層の一般的な利点はどれですか？ 重みの学習を促進する モデルの複雑さを増す 過剰適合を防ぐ 勾配の爆発を防ぐ None 64. プーリング層を使用せずに、同様の効果を得るためにはどのような手法がありますか？ ドロップアウト層の追加 畳み込み層のストライドを大きくする 重み減衰を適用する 活性化関数の変更 None 65. プーリング層を用いない「ストライド付き畳み込み（Strided Convolution）」を使用する利点として最も適切なのはどれですか？ モデルの計算負荷を増大させるため プーリング層を省略しながら特徴抽出と解像度縮小を同時に行えるため プーリング層の計算精度を向上させるため 入力データを均一にするため None 66. 医療分野で使用されるAIシステムにおいて、「データトレーサビリティ」が特に重要視される理由は何ですか？ AIシステムが全てのデータを破棄するため 診断や治療計画の過程を追跡可能にすることで、エラー発生時の原因特定が容易になるため 患者のプライバシーを完全に無視するため AIシステムが自己判断で全てのデータを変更するため None 67. AIシステムにおける「ゼロデイ攻撃」とは何ですか？ AIシステムが動作を停止する攻撃 システムの脆弱性が発見されると同時に攻撃されること AIシステムがデータを削除する攻撃 AIシステムが他のシステムに攻撃を仕掛けること None 68. ソフトウェア発明に対する特許取得において、重要な要件は何ですか？ ソフトウェアが具体的な技術的効果をもたらすこと ソフトウェアが商業的に利用されていること ソフトウェアが公開されていること ソフトウェアが広く使用されていること None 69. ディープラーニングにおける「CNN（畳み込みニューラルネットワーク）」の主な用途は何か？ 自然言語処理 音声認識 時系列データの予測 画像認識 None 70. プーリング層を使用する主な理由は次のどれですか？ モデルのパラメータ数を増加させるため 特徴抽出を強化するため 入力データのノイズを除去するため 計算量を削減し、過剰適合を防ぐため None 71. 次の探索アルゴリズムのうち、常に最適解を保証するものはどれか。 深さ優先探索 貪欲法 幅優先探索 山登り法 None 72. エキスパートシステムの知識ベースを構築する際に使用されることが多いのはどの手法か？ データマイニング 機械学習 ヒューリスティックアプローチ ニューラルネットワーク None 73. 強化学習における「報酬（Reward）」の役割は何ですか？ 環境の状態を変える エージェントが行った行動の評価 エージェントのメモリをリセットする エージェントの行動履歴を保存する None 74. 知識表現における「述語論理」とは何を意味するか？ 自然言語の文を解析するためのアルゴリズム オブジェクトの関係を表現するための論理体系 データベース管理のための理論 ルールベースシステムの基礎となるモデル None 75. 正規化層を使用することで、モデルの一般化性能にどのような影響がありますか？ モデルの複雑さが増し、過剰適合が進む 勾配が消失しやすくなる モデルの一般化性能が向上する 正規化層の使用は一般化性能に影響しない None 76. 知識表現の形式として「フレーム」が使用される場合、その特徴として正しいものはどれですか？ ルールベースで条件と結果を記述する 概念やオブジェクトを属性と値で表現する データをグラフ構造で関連付ける 数値データを確率的にモデル化する None 77. 平均プーリングを使用することで得られる利点は何ですか？ 局所的な特徴が強調される ノイズの影響を緩和し、滑らかな特徴が抽出される モデルの計算負荷が増加する 特徴量が増加する None 78. プーリング層の主な目的は何ですか？ データの次元を削減すること 勾配消失を防ぐこと 特徴量を増加させること 重みを学習すること None 79. 音声認識におけるデータの「音声合成攻撃」とは何ですか？ 音声信号を無効化する攻撃 音声データを改ざんする攻撃 音声信号を圧縮する攻撃 攻撃者が合成音声を使用してシステムを誤認識させる攻撃 None 80. 特許権を他者にライセンスする場合の手続きは、特許法上どのように規定されていますか？ 特許庁の許可が必要 特許権を譲渡する必要がある ライセンス契約は無効になる 特許権者が自由にライセンス契約を締結できる None 81. 自動運転車におけるAIのセキュリティ対策として、リアルタイムでの「異常検知システム」が必要な理由は何ですか？ 自動運転車がより高速に走行するため 自動運転車が予期しない障害や攻撃に対して即座に対応できるようにするため 自動運転車が自己修復機能を持つため 自動運転車が常に最新のソフトウェアを使用するため None 82. 推論エンジンにおいて「前向き推論」が適しているタスクは次のうちどれですか？ ゴールが明確であり、そのゴールに至るための条件を調べるタスク 与えられた初期データから可能な結論を導くタスク 結論の正しさを検証するタスク 与えられたルールセットを簡略化するタスク None 83. 機械学習モデルの評価に使用される「F1スコア」は何を表すか？ モデルの正確性（Accuracy）を評価する指標 精度（Precision）と再現率（Recall）の調和平均 誤分類の割合を示す指標 回帰問題における誤差の平均 None 84. エキスパートシステムの要素でないものはどれか？ 知識ベース 推論エンジン センサーデータ収集システム ユーザーインターフェース None 85. AI関連技術における特許法上の「発明」とはどのような条件を満たす必要がありますか？ 技術的アイデアを含む具体的な手段であること 抽象的な概念や数学的理論を示すものであること 単なるデータの集合体であること 公共の利益に寄与しないものであること None 86. バッチ正規化（Batch Normalization）を使用する主な利点は何ですか？ 学習のスピードが向上する モデルのパラメータが減少する 過剰適合が防がれる ニューラルネットワークの深さが減少する None 87. A3C（Asynchronous Advantage Actor-Critic）の利点は何ですか？ Q関数を最適化することができる 離散的な行動空間にのみ適用可能である 報酬の割引率を調整できる 並列処理を用いて学習速度を向上させることができる None 88. プーリング層のカーネルサイズとは何ですか？ フィルターの移動幅 学習率の設定 勾配の計算方法 プール領域のサイズ None 89. ReLU関数の一般的な問題点は何ですか？ 勾配消失問題 出力が0か1に固定される 勾配爆発問題 死んだニューロン問題 None 90. 「Actor-Critic」アーキテクチャにおけるActorの役割は何ですか？ 状態価値関数を計算する 行動方針を選択し、エージェントの行動を決定する 報酬を最大化するために環境を変化させる 行動価値関数を評価する None 91. 雑音環境下での音声認識精度を向上させるために、ディープラーニングを用いて「データ拡張」を行う場合の手法として最も適切なのはどれですか？ 音声データをそのまま増やす 音声のピッチやスピードを変更して学習データを増やす 音声データにノイズを付加してそのまま保存する 音声データを切り取って短くする None 92. AI技術の特許戦略における「パテントプール」の利点は何ですか？ 特許出願を不要にすること 特許を無効にするための手段 特許庁に対して異議申し立てを行うこと 複数の企業が特許を共有し、互いに技術を活用できる None 93. AIによる雇用採用システムが特定の性別に偏った結果を出している場合、どのような修正が必要ですか？ 性別に関するデータを増やす 性別に関連するデータを削除し、AIモデルを再トレーニングする 性別に基づく評価を自動化する AIシステムを完全に停止する None 94. AIによる学術論文の査読システムで、特定の分野の論文が過小評価されている場合、どのようなバイアスが影響している可能性がありますか？ AIがすべてのデータを正確に処理していない AIが査読者の判断を無視している AIがデータを削除している 学術分野に関するデータの不均衡 None 95. AIシステムの安全性において、「フェールセーフ」とは何を指しますか？ システムがエラーを検出した際に安全な状態に移行する仕組み システムが全てのエラーを無視して動作を継続する仕組み システムの稼働を外部に完全依存する仕組み エラーを防ぐために全てのデータを破棄する仕組み None 96. AIアルゴリズムの特許取得において、最も考慮すべき点はどれですか？ アルゴリズムが公開されているかどうか アルゴリズムが商業利用されているかどうか アルゴリズムが他国で使用されているかどうか アルゴリズム自体が特許法に基づく発明として認められるかどうか None 97. バッチ正規化を使用することで、学習率を大きく設定できる理由は次のうちどれですか？ 勾配がゼロになるのを防ぐため 重みの更新を制限するため 各層の入力データをシャッフルするため 勾配のスケールが一定に保たれるため None 98. モンテカルロ木探索（MCTS）が特に有効である問題の特徴として正しいものはどれですか？ 状態空間が有限であり、すべての経路を探索可能な場合 問題が最短経路探索に限定される場合 状態空間が固定され、変化しない場合 環境が確率的であり、完全な情報が得られない場合 None 99. AIの「セキュリティバイデザイン」とは、どのような概念ですか？ AIシステムの構築後にセキュリティ対策を実施する AIモデルが自動的にセキュリティを確保する AIシステムの設計段階からセキュリティを組み込む セキュリティを設計の最後に検討する None 100. エキスパートシステムにおける「推論エンジン」の主な役割はどれですか？ 知識ベースの情報を管理する 入力データを解析し、ユーザーに出力する 知識ベースを利用して問題解決のための推論を行う ユーザーからの入力を受け取り、知識ベースに保存する None 101. 知識表現において、オントロジーとは何か？ データベースの構造 自然言語処理の技術 ニューラルネットワークの一種 特定の分野における概念とその関係を定義するもの None 102. 正規化層が勾配爆発問題を防ぐ仕組みとして適切なのはどれですか？ 勾配の大きさを一定範囲内に制限する 勾配がゼロになるように調整する 各層の出力を一定の範囲に正規化する ネットワークの深さを削減する None 103. シグモイド関数の主な欠点は何ですか？ 出力が0か1しかない 計算速度が遅い 勾配消失問題が発生しやすい 勾配爆発問題が発生しやすい None 104. 深層強化学習で報酬の「遅延」が問題となる理由は何ですか？ エージェントが遅延報酬を正しく評価できないことが多いため 遅延報酬はエージェントに無関係なため 遅延報酬は常に負の値であるため 遅延報酬は割引率に影響されないため None 105. レイヤーノーマライゼーション（Layer Normalization）とバッチ正規化の違いは何ですか？ 計算速度 入力データのサイズ 正規化する単位 モデルの複雑さ None 106. プーリング層が必要ない場合はどのような状況ですか？ 特徴マップの次元を削減したくない場合 高精度なクラス分類を行う場合 出力層に使用する場合 学習速度を速めたい場合 None 107. 音声処理タスクにおいて、雑音を除去するために用いられる技術はどれですか？ ノイズキャンセリング 正則化 勾配クリッピング バッチ正規化 None 108. Softmax関数を使用する場合、出力の合計が1になる理由として正しいのはどれですか？ 各出力を正規化するから 入力値をそのまま返すから 確率分布を生成するために指数関数を使用するから 勾配をゼロにするため None 109. DDPG（Deep Deterministic Policy Gradient）の主な利点は何ですか？ 連続行動空間での最適な方策学習が可能である 離散行動空間にのみ適用可能である エージェントが環境を変更できる 学習時間を大幅に短縮できる None 110. 次のうち、幅優先探索の特徴として正しいものはどれか。 ゴール状態に最も近いノードから探索を始める 最も深いレベルのノードから探索を開始する 木構造やグラフ構造を浅いレベルから順番に探索する ゴールが見つかるまでランダムにノードを探索する None 111. ドロップアウト層と正規化層の違いは何ですか？ ドロップアウト層はパラメータを学習するが、正規化層はパラメータを持たない 正規化層は過剰適合を防ぐが、ドロップアウト層は収束を速くする ドロップアウト層はモデルの複雑さを増やす 正規化層はデータのスケーリングを行うが、ドロップアウト層はランダムにニューロンを無効にする None 112. 正規化層の使用が特に重要となるのはどのようなモデルですか？ 深層ニューラルネットワーク 線形回帰モデル サポートベクターマシン ロジスティック回帰モデル None 113. インスタンス正規化（Instance Normalization）が、画像スタイル変換タスクに適している理由はどれですか？ バッチ全体の統計情報を利用するため 各インスタンスごとに独立した統計情報を利用するため 特徴マップ全体を正規化するため 各ピクセルごとに正規化を適用するため None 114. アルファベータ剪定を用いる場合、剪定の効率を高めるために推奨される手法はどれですか？ 可能な手をランダムに探索する 再帰を用いずに実装する ノードの評価順序を最適化する 剪定を無効にして全探索を行う None 115. AIを用いた金融取引システムにおける「機密性、完全性、可用性（CIA）」の原則とは何ですか？ データが機密で、完全であり、必要な時に利用可能であること データがすべて公開されていること データが常に暗号化されていること データが自動的に削除されること None 116. 次のうち「回帰問題」に適したアルゴリズムはどれか？ ロジスティック回帰 K-最近傍法（K-NN） 線形回帰 Naive Bayes None 117. 機械学習における「ラベルデータ」とは何を指しますか？ 訓練データセットで使用される全ての特徴量のこと 入力データに対応する正解値やカテゴリ情報 学習アルゴリズムのハイパーパラメータ設定 訓練データから抽出された特徴量のセット None 118. グループ正規化（Group Normalization）がバッチサイズの制約を受けずに学習できる理由として適切な説明はどれですか？ 入力全体の平均と分散を利用するため 層全体の出力を正規化するため 特徴マップを複数のグループに分けて正規化を行うため 各インスタンスごとの統計情報を保持するため None 119. ルールベースのエキスパートシステムで、知識が蓄積される場所はどこか？ データベース 推論エンジン 知識ベース ユーザーインターフェース None 120. WaveNetが音声処理で使用される理由は何ですか？ データの圧縮を行うため 音声認識精度を向上させるため テキスト処理を行うため 高品質な音声を生成できるため None 121. 「割引率（Discount Factor）」が強化学習で果たす役割は何ですか？ 将来の報酬に対する現在の価値を調整する エージェントの行動頻度を調整する 環境の状態をリセットする Q関数の更新頻度を減少させる None 122. 自動音声認識（ASR）システムの基本的なステップとして、次のどれが正しいですか？ 音声入力 → 波形分析 → 結果の出力 → 言語モデル 音声入力 → ノイズ除去 → 結果の出力 音声入力 → 音声特徴抽出 → 言語モデル → 結果の出力 音声入力 → 正規化 → 結果の出力 None 123. 「ε-greedy法」とは何ですか？ 探索と活用のバランスをとるための行動選択手法 環境をリセットする手法 学習率を調整するアルゴリズム 報酬を増やすための手法 None 124. 「死んだニューロン」問題を防ぐための改善策として適切なのはどれですか？ シグモイド関数に置き換える 勾配爆発を防ぐ Leaky ReLUやPReLUを使用する 学習率を高く設定する None 125. 特許法において「クレーム」とは何ですか？ 発明に対する異議申し立て 発明の技術的範囲を定める記述 特許庁への申請書 発明の内容を公開する文章 None 126. プーリング層で生じる情報の損失に関して、どのような影響がありますか？ 一部の情報が失われるが、重要な特徴は保持される プーリング層は情報損失を避ける 全ての情報が保持される 情報損失は発生せず、情報が増加する None 127. 深層強化学習における「環境」とは何を指しますか？ エージェントが行動を取る場所と、その行動の結果を提供するシステム エージェントが訓練されるニューラルネットワークモデル 強化学習の方策を定義する関数 報酬を決定する関数のみを管理するシステム None 128. Swish関数の特徴は何ですか？ ReLUの完全な代替関数 勾配消失問題を解消する関数 ReLUとシグモイドを組み合わせた特性を持つ関数 正の入力のみを許容する関数 None 129. 機械学習において「教師あり学習」とは何か？ ラベル付きデータを使用してモデルを訓練する手法 ラベルのないデータを使用してモデルを訓練する手法 自律的に報酬を受け取り学習する手法 データ間の類似性を測定し、クラスタに分類する手法 None 130. 音声処理において、リカレントニューラルネットワーク（RNN）が持つ課題を解決するために導入された技術は次のうちどれですか？ バッチ正規化（Batch Normalization） ドロップアウト（Dropout） LSTM（Long Short-Term Memory） スペクトル正規化（Spectral Normalization） None 131. Swish関数をReLUの代わりに使用する利点は何ですか？ より滑らかな勾配で、特定のタスクで性能向上が見込める すべてのニューロンを活性化させる すべての入力をクリッピングする 出力を制限する None 132. 「強化学習における状態（State）」とは何を表しますか？ エージェントが実行する行動 環境がエージェントに提供する観測情報 エージェントが受け取る報酬の合計 次に選択される方策 None 133. AI技術の特許権を企業間で共有する場合に生じる課題として適切なのはどれですか？ 特許権の保護期間が短縮される 共有者間での権利行使が制限される場合がある 特許のライセンス供与が認められない 特許の利用が特定の地域に限定される None 134. WaveNetが従来の音声合成技術に比べて優れている点は何ですか？ 音声波形を直接生成することで、非常に自然な音声を生成できる 音声データの圧縮効率が高い 音声信号のノイズを完全に除去できる 計算速度が非常に速い None 135. AIが公平に機能するために「差別の公正性」と「プロセスの公正性」の両方が重要とされる理由は何ですか？ AIが効率的に動作するため AIがユーザーのプライバシーを保護するため AIの意思決定プロセスとその結果が共に公平であることが、真に公正なAIシステムを構築するために不可欠だから AIが自律的に判断を行うため None 136. エキスパートシステムにおける「ルールベース」と「ケースベース」の違いは何か？ ケースベースは過去の事例を参照する ルールベースは定量データを扱う ルールベースは過去の事例を参照する ケースベースは推論ルールを使う None 137. AIシステムが公平に機能するために必要な「説明可能性（エクスプレイナビリティ）」とは何ですか？ AIが自動で全てを説明すること AIが全てのタスクを迅速に処理すること AIのアルゴリズムを完全に公開すること AIシステムの意思決定プロセスが理解できるように説明されること None 138. 深層強化学習で用いられる「ディープQネットワーク（DQN）」とは何ですか？ 環境をシミュレートするモデル 報酬の最適化アルゴリズム Q学習をディープニューラルネットワークで実装したモデル 強化学習で使用する正則化手法 None 139. 次のうち、モンテカルロ木探索（MCTS）の特徴として正しいものはどれか。 各ステップで最も確実に勝利する手を選ぶ ランダムなシミュレーションを行い、統計的に最適な手を探索する 全ての可能な手を探索して最適解を見つける 常に最短経路を見つけるための探索手法である None 140. AI倫理における「公平性」とは、どのようなことを指しますか？ AIシステムがすべての人に対して平等かつ差別のない結果を提供すること AIがすべてのタスクを自動で処理すること AIが経済的利益を最大化すること AIがすべてのユーザーに同じ結果を提供すること None 141. 特許法における「進歩性」とは何ですか？ 発明が全く新しくないこと 発明が既存技術に対して技術的に進んでいること 発明が商業的に利用できないこと 発明が他者に知られていること None 142. グラフ探索において、サイクル（循環）が存在する場合にどのように処理するか、最も適切な方法はどれか。 サイクルを無視して探索を続ける サイクルを検出したら、即座に探索を中断する サイクルを検出したら、そのノードを再度訪問しないようにする サイクルを検出することは不可能である None 143. 「交差検証（Cross Validation）」の主な目的はどれですか？ モデルの学習速度を向上させる 訓練データの数を増やす モデルの汎化性能を評価する モデルの過学習を完全に防ぐ None 144. AIの公平性を評価する際に使用される「差別の公正性」とは何ですか？ AIが特定の集団に有利な判断をすること AIが集団ごとに異なる精度で結果を提供すること AIが異なる集団に対して一貫した結果を提供すること AIが常に最適な結果を提供すること None 145. 次の中で、エキスパートシステムが「自己学習機能」を持つものとして適切なのはどれか？ ルールベースシステム ケースベース推論システム ニューラルネットワーク 機械学習システム None 146. AIのバイアスを防ぐために、どのような対策が必要ですか？ AIにできるだけ多くのデータを与える 多様なデータを使用し、AIモデルのトレーニングにおいて公平性を評価する 人間の判断を完全に排除する AIモデルがデータを自動で選別する None 147. 特許の有効期間は一般的にどれくらいですか？ 出願日から10年 出願日から20年 出願日から50年 出願日から30年 None 148. シグモイド関数が適用される一般的なケースはどれですか？ 多クラス分類 バイナリ分類の出力層 時系列データの処理 回帰問題 None 149. AIシステムのセキュリティリスクを評価するために使用される「リスクベースアプローチ」とは何ですか？ AIシステムが遭遇する可能性のあるリスクを無視すること 全てのリスクに同じ対応を行うこと リスクを完全に排除すること 発生し得るリスクを特定し、その重大性に応じて対応策を講じるアプローチ None 150. AIシステムが敵対的攻撃に耐性を持つためには、どのような設計が必要ですか？ 敵対的サンプルを用いたトレーニングを行い、AIの堅牢性を向上させる AIシステムの完全なブラックボックス化を進める 全てのトレーニングデータを公開する 敵対的攻撃を無視してシステムを稼働させる None 151. 特許出願に関して、出願後に行う「特許請求の範囲」とは何を示しますか？ 発明の技術的範囲を定義し、特許として保護される部分 特許の公開範囲 特許権の譲渡範囲 特許庁への申請書の範囲 None 152. AI技術の発展に伴い、特許の「進歩性」を証明するための新しい課題とは何ですか？ AI技術が急速に進化するため、既存技術との違いを明確にすることが難しくなっている AI技術は常に特許の対象とならないため AI技術は特許法の枠外であるため AI技術は特許を取得する際に商業的利用が難しいため None 153. K-meansクラスタリングにおいて、「エルボー法」が使用される主な理由は何ですか？ クラスタの境界を可視化するため クラスタの数を最適化するため 計算速度を向上させるため クラスタ間の重複を解消するため None 154. グループ正規化がバッチ正規化に対して有効な理由は何ですか？ ニューラルネットワークの計算量が増える バッチサイズに依存せずに動作するため 過剰適合を防ぐため アクティベーション関数を改善するため None 155. 特許を取得するために必要な要件に該当しないものはどれですか？ 新規性 進歩性 産業上の利用可能性 登録商標 None 156. バッチ正規化が勾配消失問題に与える影響は何ですか？ 勾配消失問題を完全に防ぐ 勾配の安定性を保ち、勾配消失問題を軽減する 勾配消失問題を助長する 勾配を拡大させて、問題を解決する None 157. 医療分野で使用されるAIシステムが不正アクセスを受けた場合、どのようなセキュリティリスクが考えられますか？ 患者の個人情報が漏洩するリスク AIシステムが自動で判断を行わなくなるリスク AIシステムが物理的に破壊されるリスク AIが新しいデータを収集するリスク None 158. AIシステムが医療分野で使用される際、患者の人種によって診断結果に違いが生じる場合、その原因として考えられるのは何ですか？ 医療データに人種ごとのバイアスが含まれている AIシステムが常に正確に動作していない AIがすべての患者に同じ治療を提供するため AIが適切なアルゴリズムを使用していないため None 159. 音声認識において、Transformerモデルを用いることで従来のRNNベースのモデルと比較して得られる主な利点は何ですか？ 時系列データの並列処理が可能になる モデルサイズが小さくなる ノイズの影響を完全に除去できる 訓練データが少なくても高精度を保てる None 160. 次のアルゴリズムの中で、教師なし学習に分類されるものはどれか？ 主成分分析（PCA） ロジスティック回帰 決定木 勾配ブースティング None Time's up
