G検定～模擬試験②～ 2024年12月6日2024年12月6日 ailearn 1. 強化学習において、エージェントが「最適方策」を学習するためには何が必要ですか？ 状態空間の削減 十分な探索と適切な報酬設計 事前に最適な行動の知識を持つ 報酬を均等に設定する None 2. AIシステムが「アウトカムの公平性」を欠いている場合、どのような対応が必要ですか？ システムの結果を分析し、不公平な影響を是正する 結果を固定してすべてのユーザーに提供する システムのデータを完全に削除する 不公平な結果をそのまま維持する None 3. 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 4. 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 5. AIシステムに対して「分散型攻撃」が行われた場合、どのようなリスクが発生しますか？ システムが物理的に破壊される システムが他のAIシステムを攻撃する システムが複数の異なるポイントから攻撃され、全体の動作が停止する システムがデータを削除する None 6. ストライドを大きく設定したプーリング層の影響はどれですか？ より多くの特徴が保存される モデルの表現力が増加する 次元削減が進み、情報の圧縮が強化される 学習率が低下する None 7. 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 8. AI開発において、バイアスを排除するための「データクリーニング」の目的は何ですか？ データの数を増やすこと データセットから不正確な情報や偏りのあるデータを取り除き、AIの公平性を向上させること AIが自動で判断を行えるようにすること AIが効率的に動作するためのメモリを増やすこと None 9. 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 10. 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 11. 畳み込み層とプーリング層を組み合わせる主な理由は何ですか？ モデルの精度を向上させるため 活性化関数の効果を最大化するため 重みの更新を効率化するため 次元削減と特徴抽出を同時に行うため None 12. 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 13. 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 14. 強化学習の「経験再生（Experience Replay）」の目的は何ですか？ エージェントが現在の行動に過去の結果を適用する エージェントのメモリをリセットする 過去の経験をランダムにリプレイし、学習の効率を高める 報酬を倍増させる None 15. 次の中でエキスパートシステムが最もよく使用される分野はどれか？ 自然言語処理 医療診断 画像認識 ロボット制御 None 16. 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 17. 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 18. 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 19. 音声認識における「注意機構（Attention）」の役割は何ですか？ 音声信号中の重要な部分に焦点を当て、関連する情報に重みを付ける 音声信号の周波数成分を分析する 音声信号を圧縮する 音声データを正規化する None 20. 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 21. 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 22. 「Multi-Agent Reinforcement Learning（MARL）」が特に適用されるタスクとして最も適切なものはどれですか？ チェスや将棋などのターンベースのゲーム 単純な迷路問題の解決 ロボット群による協調作業 画像分類モデルのトレーニング None 23. 次のうち、ディープラーニングにおいて「活性化関数」としてよく使用されるものはどれか？ 決定木 SVM ReLU（Rectified Linear Unit） 最近傍法 None 24. 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 25. 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 26. 次の中で「プロダクションルール」に該当するものはどれか？ IF A THEN B A AND B B OR C NOT A None 27. バッチ正規化が適用されることで、モデルの収束が速くなる理由は何ですか？ 勾配のスケールが安定し、高い学習率を使用できるため パラメータ数が減少するため 正規化によって計算が簡略化されるため 入力データのサイズが増えるため None 28. 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 29. 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 30. 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 31. 活性化関数の役割は何ですか？ モデルの学習率を調整する ニューラルネットワークに非線形性を導入する ニューラルネットワークの重みを更新する モデルの出力を制御する None 32. 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 33. 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 34. 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 35. 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 36. エキスパートシステムにおける「メタ知識」とは何か？ 推論の方法や、知識の使い方に関する知識 推論に必要な基本的な知識 知識ベースに格納された事実の集まり 自然言語で表現された知識 None 37. 音声翻訳システムでは、ディープラーニングを用いることで従来と比較してどのような利点があるか。次の選択肢から最も適切なものを選んでください。 音声認識、翻訳、音声合成をエンドツーエンドで実現できる 翻訳結果の生成速度が大幅に向上する 翻訳精度が完全に100%になる 翻訳中の文法的誤りが完全に解消される None 38. 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 39. 次のうち、ビーム探索の特徴として最も適切なものはどれか。 最適解を常に保証する 幅優先探索に似ているが、探索の幅を限定する 木の全てのノードを必ず探索する 深さ優先探索を効率化した手法である None 40. 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 41. 「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 42. ニューラルネットワークにおける「バックプロパゲーション」とは何か？ 入力層から出力層に向かってデータを伝えるプロセス 出力層から入力層に向かって誤差を伝播させて重みを更新するプロセス モデルの性能を向上させるために追加される隠れ層 データを無作為にシャッフルして訓練するプロセス None 43. 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 44. 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 45. 「サポートベクターマシン（SVM）」の特徴はどれか？ データを高次元空間にマッピングして線形分離する クラスタリング手法の一つである 連続値の予測に用いられる回帰手法 訓練データをランダムにサンプリングして学習を行う None 46. Parametric ReLU（PReLU）で、パラメータを学習することで得られる利点は何ですか？ ReLUを完全に無効化できる 負の入力に対する勾配を学習して最適化できる 訓練データの前処理を行う 勾配爆発を防ぐ None 47. 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 48. 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 49. ELU（Exponential Linear Unit）の特徴として適切なのはどれですか？ 出力が負の場合、ゼロに固定される 負の値に対してスムーズな勾配を提供する 勾配消失問題を完全に防ぐ 出力範囲が0から1に限定される None 50. 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 51. 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 52. 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 53. 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 54. 次のうち「勾配消失問題」を回避するために提案された活性化関数はどれか？ シグモイド関数 ReLU（Rectified Linear Unit） ソフトマックス関数 タンジェント関数 None 55. 深層強化学習における「行動価値関数（Action-Value Function）」とは何ですか？ 行動を選択する確率を示す関数 報酬の割引率を計算する関数 環境の状態を変化させる関数 状態と行動のペアに対する期待される報酬の総和を示す関数 None 56. 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 57. 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 58. 正規化層が過剰な情報損失を引き起こす可能性がある場合、その影響を緩和するために適切な対策はどれですか？ 正規化層の適用を停止する 勾配クリッピングを併用する 正規化パラメータ（ガンマとベータ）を学習させる 入力データの次元を増加させる None 59. AIシステムが交通違反の罰金を課す際に、特定の地域住民に不公平な罰金を科している場合、そのバイアスを軽減する方法は何ですか？ すべての地域のデータを均等に使用してAIモデルを訓練する 特定の地域データを増やす 罰金をAIで自動設定する 地域データを完全に削除する None 60. AIシステムの「セキュリティ」と「プライバシー」の違いとして正しいのはどれですか？ セキュリティはシステムの動作を保護し、プライバシーはデータの保護に関わる セキュリティはデータの保護に関わり、プライバシーはシステムの動作を保護する 両者は全く同じ意味を持つ セキュリティは個人情報にのみ関わる None 61. バッチ正規化のトレーニング時と推論時の挙動の違いは何ですか？ トレーニング時は正規化されず、推論時にのみ正規化される トレーニング時はガンマとベータが学習され、推論時には固定される トレーニング時はミニバッチ単位で正規化され、推論時は全データに基づく 推論時にはバッチ正規化層が無効化される None 62. 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 63. 正規化層の主な目的は何ですか？ 勾配消失を防ぐ 学習率を調整する パラメータを減少させる 重みの初期化を最適化する None 64. 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 65. AIシステムが公平性を確保する際に重要な「グループ間公正性」とは何を指しますか？ すべてのユーザーに同じ結果を提供すること 異なるグループ間での結果が平等であること 特定のグループのみに有利な結果を提供すること ユーザーに応じて結果を完全に非公開にすること None 66. 推論エンジンにおいて、前向き推論と後ろ向き推論の違いはどれか？ 前向き推論は結論から推論を行う 後ろ向き推論は前提条件から結論を導く 前向き推論はデータから結論を導く 後ろ向き推論は仮説からデータを探す None 67. 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 68. 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 69. 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 70. 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 71. 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 72. 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 73. 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 74. 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 75. 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 76. AIシステムの「ロバストネス」とは何ですか？ AIシステムが攻撃や異常事態に直面しても正常に機能する能力 AIシステムが物理的に壊れにくいこと AIシステムが高速に動作すること AIシステムが最新の技術を採用していること None 77. 強化学習における「方策勾配法（Policy Gradient Method）」とは何ですか？ Q関数を間接的に最適化する手法 環境の動作をシミュレートする手法 方策（Policy）を直接学習し、最適化する手法 報酬の割引率を計算する手法 None 78. 次のうち、ヒューリスティック探索が最も効果的に適用される分野はどれか。 ゴールが明確であり、最短経路を探索するナビゲーションシステム 確率的な予測を行う気象予報 ランダムなデータ生成 音声認識モデルの訓練 None 79. 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 80. Tanh関数がシグモイド関数よりも深層学習に適している理由はどれですか？ 勾配消失問題を完全に解決する 計算コストが低いため 確率分布を生成できるため 出力がゼロ中心であるため、勾配の分布が安定する None 81. 「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 82. 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 83. 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 84. 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 85. レイヤーノーマライゼーションがバッチ正規化に比べて有利となる場面はどのようなケースですか？ 非常に大きなバッチサイズでの学習 小さいバッチサイズでの学習 多クラス分類の学習 モデルの深さが浅い場合 None 86. ニューラルネットワークにおける「エポック」とは何か？ 全ての訓練データを1回モデルに通した回数 モデルの構造を決定するためのプロセス データの前処理手順の一つ モデルの性能を評価する指標 None 87. 「AIの偏り（バイアス）」が発生する要因として適切なものはどれですか？ データの多様性が確保されていない場合 AIがすべてのデータを自動的に選別する場合 AIが常に人間の判断を上回る場合 AIが訓練データを使用しない場合 None 88. 最大プーリングを使用することで得られる主な利点は何ですか？ 局所的な特徴が強調される 全ての情報が均等に反映される モデルの計算負荷が増加する 勾配消失が防がれる None 89. 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 90. 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 91. AIによるクレジットスコアリングシステムが特定の地域の住民に不利な結果を出す場合、そのバイアスを解消するために取るべき対策は何ですか？ 特定の地域に関連するデータを削除する 地域データを使用しないようにする すべての地域のデータを均等に使ってAIモデルを訓練する クレジットスコアリングのプロセスを停止する None 92. 「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 93. 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 94. Softmax関数は、どのようなタスクで最もよく使用されますか？ 回帰問題 多クラス分類問題の出力層 強化学習の報酬計算 時系列データの前処理 None 95. 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 96. 「Leaky ReLU」の特長は何ですか？ すべての入力を1にクリッピングする 勾配を自動調整する 負の入力にもわずかな勾配を持たせる 勾配をリセットする None 97. 次のアルゴリズムの中で、分類問題に最適なものはどれか？ K-最近傍法（K-NN） 線形回帰 主成分分析（PCA） アダブースト None 98. 次のうち、貪欲法の特徴として正しいものはどれか。 未来のすべての選択肢を考慮して最適解を見つける 解を得るために全ての可能な選択肢を試す 最適解を保証しながら効率的に探索を行う 各ステップで最も利益が大きい選択肢を選び続ける None 99. 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 100. 音声認識モデルでのデータ拡張技術として、一般的に使用されるものはどれですか？ フィルターサイズの増加 ピッチシフトやタイムストレッチ データの正規化 フォン数の削減 None 101. ELU（Exponential Linear Unit）はどのような特性を持っていますか？ 負の入力を0にする 負の入力に対して滑らかな減少を行い、学習を安定化させる 勾配を消失させる 正の入力をすべてクリッピングする None 102. 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 103. 機械学習において、「特徴量エンジニアリング」の目的として最も適切なものはどれですか？ データのノイズを完全に除去する モデルの学習時間を短縮する モデルの性能を向上させるため、重要な情報を抽出する ハイパーパラメータチューニングを自動化する None 104. 「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 105. 「Advantage Actor-Critic（A2C）」アルゴリズムにおけるAdvantage（A）の役割は何ですか？ 方策を学習するための損失関数を計算する 環境の報酬を直接予測する 行動をランダムに選択するための確率を計算する 状態の価値と行動の価値の差分を計算し、行動の改善を促進する None 106. 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 107. 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 108. グローバルプーリング層（Global Pooling）はどのように機能しますか？ 全てのピクセルの最大値を取る 特定の領域内で最小値を取る 画像全体に対して1つの値を出力する すべてのフィルターの重みを学習する None 109. 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 110. 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 111. 音声認識システムの開発において、ディープラーニングモデルの入力として頻繁に利用される「MFCC」以外の音声特徴量はどれですか？ ピッチ（Pitch） メルフィルターバンク（Mel Filter Bank） 振幅スペクトル（Amplitude Spectrum） 全て None 112. tanh関数がシグモイド関数に比べて優れている点はどれですか？ ゼロ中心であるため、学習が進みやすい 計算が速い 出力範囲が広い 負の勾配が大きい None 113. 音声処理における「LSTM」が有効な理由は何ですか？ 音声データの圧縮に適しているため 音声データの周波数成分を分析するため 訓練時間を短縮できるため 音声データの長期的な依存関係を捉えることができるため None 114. 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 115. AIシステムがサイバー攻撃を受けた場合、何が最優先で行うべき対応ですか？ システムの動作を完全に停止する 攻撃の痕跡を消去する 被害範囲を評価し、迅速に攻撃を封じ込める システムを再起動する None 116. 深層強化学習において「カリキュラム学習」が導入される理由は何ですか？ エージェントの学習速度を減速させるため 報酬の変動を抑えるため エージェントが段階的に難易度の高いタスクを学習できるようにするため 環境の状態をリセットするため None 117. 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 118. 次のうち、前向き連鎖と後向き連鎖の違いを正しく説明しているものはどれか。 前向き連鎖はゴールから逆算し、後向き連鎖はスタートから進む 前向き連鎖は現在の事実から結論を導き、後向き連鎖はゴールから必要な事実を推論する 前向き連鎖は木構造を使い、後向き連鎖はグラフ構造を使う 前向き連鎖はデータ駆動型であり、後向き連鎖はモデル駆動型である None 119. エキスパートシステムにおける「メタ知識」の役割として最も適切なものはどれですか？ 専門分野に関する詳細な知識を管理する ユーザーの入力を解釈して知識ベースに登録する 時系列データを解析して推論に利用する 推論プロセスを制御し、どのルールを使用するかを判断する None 120. 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 121. バッチ正規化層が特に効果を発揮するのはどのような場面ですか？ 学習率が高い場合 バッチサイズが非常に小さい場合 過剰適合が問題となる場合 モデルが過学習する場合 None 122. プーリング層を使用した場合に発生しやすい情報損失の影響を軽減するために、適切な対策として最も有効なのはどれですか？ プーリングのストライドをゼロに設定する 畳み込み層のフィルタサイズを大きくする プーリング層と畳み込み層を組み合わせ、情報の冗長性を活用する プーリング層を完全に削除する None 123. 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 124. プーリング層が過剰適合を防ぐ理由として正しいのはどれですか？ モデルのパラメータ数を増加させるから データの次元を削減し、訓練データへの過度なフィットを防ぐから ニューラルネットワークの学習速度を速めるから 過剰適合には影響しない None 125. 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 126. 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 127. 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 128. 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 129. 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 130. 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 131. 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 132. 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 133. ベイズネットワークの推論における役割として、正しいものはどれか。 データのクラスタリングに使用する 変数間の依存関係を表し、確率に基づいて推論を行う 変数の因果関係を無視して、ランダムな推論を行う 強化学習のための報酬関数を設計する None 134. AIシステムが敵対的攻撃を受けるリスクを軽減するために、どのような手法が有効ですか？ AIモデルを公開する AIのトレーニングデータを増やす AIシステムの動作を停止する AIモデルをテストして、敵対的サンプルに対する耐性を高める None 135. 特許法における「発明」とは何ですか？ 単なる新しいアイデア 自然法則を利用した技術的思想の創作 物理的に存在する物体のみ 知識の集約 None 136. 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 137. 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 138. 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 139. 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 140. 「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 141. 次のゲームのうち、完全情報ゲームとして分類されるものはどれか。 ポーカー 麻雀 囲碁 ブラックジャック None 142. 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 143. 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 144. 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 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システムが公平性を欠く原因として考えられる「サンプルバイアス」とは何ですか？ トレーニングデータが特定のグループを過剰に代表する偏り システムがすべてのデータをランダムに選択すること トレーニングデータを完全に削除すること システムが結果を固定的に生成すること None 147. 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 148. Adaptive Pooling（適応プーリング）が他のプーリング手法と異なる利点として適切なのはどれですか？ 出力サイズを柔軟に設定できる 入力特徴マップ全体を1つの値に縮小する カーネルサイズを動的に変更する 特徴マップの精度を自動的に高める None 149. AIシステムにおける「セキュリティインシデント」の報告が遅れることで、どのようなリスクが増大しますか？ システムの効率が低下する 不正アクセスや攻撃が継続され、被害が拡大するリスク システムが自動的に修復される システムのアップデートが遅れる None 150. 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 151. AIが「公平性」を持っているかどうかを評価するために、何が重要ですか？ AIの結果が特定の集団や個人に偏らず、全体として平等であることを評価すること AIが常に正確な結果を提供すること AIの開発者がアルゴリズムを公開すること AIが高速に動作すること None 152. 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 153. 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 154. 「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 155. バッチ正規化を適用することで、学習率がどのように影響されますか？ 学習率を低くする必要がある 学習率の影響がなくなる 学習率を高く設定できる 学習率が自動的に調整される None 156. 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 157. 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 158. アルファベータ剪定がMinimax法に与える効果として正しいものはどれか。 最適解を保証するため、全てのノードを探索する 最適解を保証するが、効率は低下する ある枝の探索を省略し、探索の効率を向上させる ランダムに探索を行い、最適解を見つける None 159. 自動音声認識（ASR）における「エンコーダ・デコーダモデル」の役割は何ですか？ 音声信号を圧縮する 音声データを分類する 音声をテキストに変換する 音声信号のノイズを除去する None 160. 「正則化（レギュラリゼーション）」の目的は何か？ モデルの複雑さを抑えて、過学習を防ぐため モデルの学習速度を向上させるため データの次元を削減するため モデルの性能を自動的に改善するため None Time's up
