G検定～模擬試験②～ 2024年12月6日2024年12月6日 ailearn 1. ReLUとSwishを比較した際に、Swishが持つ利点として正しいのはどれですか？ 滑らかな非線形性により、より高い精度が得られる場合がある 負の入力に対する勾配が一定である 出力が確率分布として解釈可能である 学習率を自動的に調整する None 2. 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 3. Dijkstraアルゴリズムにおける制約として正しいものはどれか。 グラフ中のエッジのコストが負の値を取る場合、正しく動作しない エッジのコストが正の値である場合、動作しない 無限に近いエッジのコストが存在する場合、動作が停止する すべてのノードをランダムに探索するため、結果が不確定になる None 4. 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 5. 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 6. 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 7. 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 8. 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 9. 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 10. 音声処理で使用されるトランスフォーマーモデルの利点は何ですか？ 音声データを圧縮する 音声データを分類する 長距離の依存関係を効率的に処理できる ノイズを除去する None 11. 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 12. 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 13. 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 14. 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 15. 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 16. 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 17. 機械学習における「バギング」とは何か？ データの特徴量を削減する手法 モデルの重みを調整する手法 複数のモデルを並行して訓練し、それぞれの予測を平均することで精度を向上させる手法 過学習を防ぐためにデータをシャッフルする手法 None 18. 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 19. 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 20. 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 21. 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 22. 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 23. 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 24. AIのセキュリティに関するリスクとして「データポイズニング」とは何ですか？ AIモデルがランダムに動作すること AIに与えるデータを意図的に改ざんし、モデルの性能を低下させる攻撃 AIが誤ってデータを削除すること AIがデータを正確に処理できなくなること None 25. 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 26. 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 27. 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 28. 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 29. 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 30. 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 31. 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 32. 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 33. 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 34. 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 35. 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 36. 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 37. 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 38. 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 39. 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 40. 「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 41. 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 42. 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 43. 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 44. 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 45. 特許出願後に行われる「審査請求」の意義は何ですか？ 出願された発明が特許として認められるかどうかを審査すること 出願内容を変更するための手続き 特許権を他者に譲渡するための手続き 特許出願を取り下げるための手続き None 46. 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 47. 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 48. 音声処理における「自己回帰モデル」とは何ですか？ 音声信号をランダムに生成するモデル ノイズを除去するためのモデル 音声信号をクラスに分類するモデル 音声信号を過去の値に基づいて予測するモデル None 49. 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 50. 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 51. 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 52. 「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 53. 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 54. 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 55. 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 56. 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 57. エキスパートシステムでの「信頼度（確信度）」を持った推論について、どれが正しいか？ 推論結果が常に正しいと仮定する 各ルールに確率や信頼度を割り当て、推論の不確実性を考慮する 推論に不確実性を導入することはない 信頼度は推論の速度を上げるために使われる None 58. 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 59. 「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 60. 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 61. 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 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. 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 64. 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 65. 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 66. ヒューリスティック検索の利点として最も適切なものはどれか。 常に最適解を見つけることができる ランダムな探索で解を見つける メモリを一切使用せずに探索ができる より効率的に解を見つけるため、探索のコストを削減できる None 67. 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 68. 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 69. 「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 70. 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 71. 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 72. 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 73. 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 74. 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 75. 深層強化学習（Deep Reinforcement Learning, DRL）における「エージェント」とは何を指しますか？ 環境内で行動を決定する主体 環境の状態を記録する装置 報酬を計算するアルゴリズム データの前処理を行うシステム None 76. 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 77. 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 78. 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 79. 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 80. 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 81. 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 82. 次のうち、「教師なし学習」の手法はどれか？ ロジスティック回帰 K-means 線形回帰 サポートベクターマシン（SVM） None 83. グローバルプーリング（Global Pooling）が一般的なプーリング層と異なる点として適切なものはどれですか？ 入力特徴マップ全体に対して統計操作を適用する 各特徴マップごとに個別のカーネルサイズを使用する各特徴マップごとに個別のカーネルサイズを使用する各特徴マップごとに個別のカーネルサイズを使用する 特徴マップの全ての位置において最大値を保持する 入力サイズに依存せず、固定の出力サイズを生成する None 84. 「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 85. 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 86. グローバルプーリング層が用いられる場面として適切なものはどれですか？ 中間層での特徴抽出 最終的なクラスラベルの出力前 畳み込み層の前処理 活性化関数の適用後 None 87. 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 88. 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 89. 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 90. Layer Normalization（層正規化）が自然言語処理（NLP）タスクにおいて効果的な理由として最も適切なものはどれですか？ シーケンス全体の統計情報を利用するため 各層の出力を独立して正規化するため 時間ステップ間の依存関係を考慮するため ミニバッチに依存せず正規化が可能なため None 91. 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 92. 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 93. 知識ベースシステムにおいて、説明可能なAI（XAI）が求められる理由として正しいものはどれか？ システムの推論速度を向上させるため システムが使用する知識を増やすため ユーザーがシステムの推論過程を理解できるようにするため システムの複雑さを減らすため None 94. 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 95. 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 96. 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 97. 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 98. 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 99. 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 100. 「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 101. 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 102. 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 103. 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 104. 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 105. 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 106. 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 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. 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 109. 「ReLU（Rectified Linear Unit）」の出力範囲はどれですか？ -1から1 0から1 0から無限大 -無限大から無限大 None 110. 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 111. 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 112. 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 113. 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 114. 強化学習において「Q-learning」の目的は何か？ ラベル付きデータを使ってモデルを訓練する データをクラスタリングする 最適な行動を選択するために報酬を最大化する 次元削減を行う None 115. エキスパートシステムで使用される推論方式の一つ「確率的推論」とは何か？ 必ず正しい結果を返す推論方式 不確実な情報に対して確率を使って推論する方式 ルールに基づいた確実な推論方式 無作為な推論を行う方式 None 116. 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 117. 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 118. 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 119. 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 120. 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 121. 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 122. 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 123. AIシステムの安全性とセキュリティを向上させるために、「レッドチーミング（Red Teaming）」とは何を指しますか？ AIシステムの正常な動作をモニタリングする手法 AIシステムが自動でセキュリティ更新を行うプロセス AIシステムのパフォーマンスを最適化する手法 セキュリティ専門家が攻撃者の視点でAIシステムに対する脆弱性をテストする手法 None 124. 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 125. 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 126. 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 127. 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 128. 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 129. 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 130. 「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 131. AIによる刑事司法システムで、特定の人種が過度に厳しい処罰を受けている場合、その原因として考えられるのは何ですか？ AIが人種データを誤って処理している AIが訓練データに含まれる歴史的なバイアスを学習している AIがデータを適切に解析していない AIがデータをすべて削除している None 132. 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 133. 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 134. ReLUを使用する利点として適切なのはどれですか？ 勾配爆発問題を防ぐ 勾配消失問題を防ぐ ニューロンのすべての重みをリセットする 計算が効率的であり、学習が高速 None 135. 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 136. 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 137. 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 138. 「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 139. 特許法における「発明の公開」と「秘密保持契約（NDA）」の関係性は何ですか？ NDAにより発明は公開されない 発明の公開を遅らせるためにNDAを活用する NDAは特許取得に必須である 発明はNDAによって自動的に特許が認められる None 140. 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 141. 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 142. エキスパートシステムで、知識ベースが時系列データを取り扱う場合、どのような知識表現が適しているか？ ツリー構造 述語論理 フレーム テンポラルロジック None 143. 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 144. 音声処理における「シーケンス・トゥ・シーケンスモデル（Seq2Seq）」はどのように使用されますか？ 音声認識において音声をテキストに変換するため 音声の波形を画像に変換するため 音声信号を圧縮するため ノイズキャンセリングのため None 145. 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 146. 次のうち、モンテカルロ法が用いられる場面として最も適切なものはどれか。 統計的手法に基づくランダムサンプリングによって近似解を求める データをクラスタリングして分類を行う 最適な経路を必ず発見する 確率モデルを使わずに探索を行う None 147. 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 148. 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 149. 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 150. 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 151. 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 152. 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 153. 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 154. 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 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. 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 157. 強化学習における「方策オフライン学習」と「方策オンライン学習」の違いは何ですか？ オフライン学習では既存のデータを用いて学習し、オンライン学習ではリアルタイムでデータを収集しながら学習する オフライン学習では報酬を即座に受け取り、オンライン学習では報酬を遅延させる オフライン学習では行動が確率的であり、オンライン学習では行動が決定的である オフライン学習はノイズを除去するが、オンライン学習はノイズを含む None 158. 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 159. 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 160. 「勾配ブースティング」の特徴はどれか？ 各モデルが独立して学習し、最終的な予測を多数決で決定する 教師なし学習であり、ラベルのないデータを扱う 各モデルが前のモデルの誤差を修正しながら学習を進める モデルの重みを自動的に初期化する None Time's up
