G検定～模擬試験③～ 2024年12月6日 ailearn 1. 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 2. 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 3. 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 4. 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 5. 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 6. 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 7. 「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 8. 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 9. 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 10. 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 11. AIを利用した自動化された犯罪行為として「ボットネット攻撃」が挙げられますが、この攻撃の目的は何ですか？ AIがシステムを強化する 多数のデバイスを乗っ取り、一斉に攻撃を行うことでシステムをダウンさせる AIがデータを保護する AIがデータを暗号化する None 12. 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 13. 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 14. 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 15. 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 16. 深層ニューラルネットワークにおける勾配消失問題を避けるための他の技術はどれですか？ ドロップアウト バッチ正規化 活性化関数のReLU 全ての選択肢 None 17. AI関連技術の営業秘密を不正に開示した場合、どのような制裁措置が考えられますか？ 差止請求と損害賠償請求 AI技術の公開 技術の自由な利用 特許の無効化 None 18. スキップ結合は、どのようなニューラルネットワークに最も適していますか？ 浅いネットワーク 深層ネットワーク 生成モデル 強化学習モデル None 19. GANにおける「ミニバッチディスクリミネーション」は何を解決するための技術ですか？ 学習の速度を上げる モード崩壊の問題を軽減する ノイズを除去する データセットのサイズを増やす None 20. 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 21. 教師あり学習において、「ロジスティック回帰」と「線形回帰」の主な違いはどれですか？ ロジスティック回帰は連続値を予測するが、線形回帰は分類を行う ロジスティック回帰は確率を出力し、線形回帰は実数を出力する ロジスティック回帰は非線形モデルであり、線形回帰は線形モデルである ロジスティック回帰は教師なし学習である None 22. 転移学習を使用した場合、初期層の「凍結」はどのような役割を果たしますか？ 訓練時間を短縮する 過学習を防ぐ 新しいデータに過剰に適応するのを防ぐ 学習率を高くするための処置 None 23. 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 24. 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 25. 「ResNet（Residual Network）」の主な特徴はどれか？ 勾配消失問題を解決するためにバッチ正規化を採用する 入力データを無視してランダムに処理を行う 小さなデータセットを使用して学習する ネットワークの層を深くする際に発生する学習の困難さを解決する None 26. 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 27. 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 28. 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 29. 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 30. 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 31. RNNが非常に長いシーケンスを扱う際に発生する勾配消失問題を改善するためには、何が効果的ですか？ LSTMやGRUを使用する 学習率を下げる バッチサイズを減らす 活性化関数を変更する None 32. 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 33. 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 34. 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 35. 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 36. スキップ結合はどの層とどの層をつなげますか？ 隣接する層 入力層と出力層 遠く離れた層 1層飛ばしの層 None 37. スキップ結合を使用しない場合、非常に深いニューラルネットワークにおいてどのような問題が発生する可能性がありますか？ 勾配消失問題 勾配爆発問題 過学習 低次元表現の生成 None 38. 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 39. 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 40. 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 41. リカレントニューラルネットワーク（RNN）がシーケンスデータの依存関係を学習する際に使用する「隠れ状態（Hidden State）」は、次のどの役割を果たしますか？ 入力データを直接出力する 現在の入力データと過去の情報を統合する 学習速度を制御する 出力層の計算を完全に置き換える None 42. Conditional GAN（CGAN）の主な特徴は何ですか？ 生成するデータにラベルを付与することで、特定の条件に基づいたデータ生成が可能になる 生成データを圧縮する モード崩壊を完全に防ぐ 識別モデルを訓練しない None 43. 不正競争防止法に基づいて、「模倣されたAI技術製品」に対して取られる主な措置は何ですか？ 模倣品の販売を継続させる 模倣品の販売差し止めと損害賠償請求 模倣品の正当性を確認する 模倣品を新しい商標で販売する None 44. 教師あり学習の分類問題において、「F1スコア」が高い場合、何を示していますか？ 精度が非常に高いが、再現率が低い 再現率が非常に高いが、精度が低い 精度と再現率がバランス良く高い 正例と負例の比率が均等である None 45. 教師あり学習で、モデルの性能が非常に高い訓練データにのみ適用され、テストデータや実データに対しての性能が低下する現象を何と呼びますか？ 正則化 アンダーフィッティング 過学習 グリッドサーチ None 46. ディープラーニングにおいて、外れ値に強い誤差関数として知られるのはどれですか？ 平均二乗誤差（MSE） 二項クロスエントロピー 平均絶対誤差（MAE） カテゴリカルクロスエントロピー None 47. スキップ結合が「残差」として機能する理由は何ですか？ 残差ネットワーク（ResNet）では、スキップ結合により、学習すべき残差（ResNet）が直接伝わるから ネットワークの出力を減少させるため 学習率を下げるため 重みの計算を省略するため None 48. 転移学習を行う際、「学習率スケジューリング」が有効である理由は何ですか？ 学習が進むにつれて、学習率を徐々に減少させることで最適化を促進するため モデルの訓練時間を短縮するため 訓練データを拡張するため モデルの出力を安定させるため None 49. 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 50. 転移学習を用いたモデルで、ターゲットタスクに適応するために追加の層を導入する主な目的はどれですか？ モデルの計算速度を向上させる ターゲットタスクに特化した特徴を学習させる 事前学習済みモデルの全層を固定するため モデルのサイズを小さくするため None 51. 転移学習を用いたモデルにおいて「正則化」を導入する理由は何ですか？ 過学習を防ぐため モデルの学習速度を速めるため 出力層を訓練するため パラメータを削減するため None 52. 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 53. 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 54. スキップ結合が適用される際、勾配消失問題が緩和される理由はどれですか？ スキップ結合が計算コストを削減するため スキップ結合が勾配をスケールアップするため 勾配を保存するための特別なメモリが利用されるため 勾配が直接入力に流れる経路を提供するため None 55. 教師あり学習で、分類問題の性能を評価するために用いられる指標はどれですか？ F1スコア 平均二乗誤差（MSE） コサイン類似度 ジャッカード係数 None 56. 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 57. 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 58. AIによる「自動化された詐欺メール生成」は、どのような悪用例に該当しますか？ AIが誤ってメールを削除すること AIがスパムメールを削除すること AIが個人情報を盗み、詐欺メールを自動生成して送信すること AIがメールの内容を自動で翻訳すること None 59. 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 60. 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 61. AIが金融分野で透明性を持たずに運用されると、どのようなリスクがありますか？ AIの判断がブラックボックス化し、投資家や規制当局がその判断を追跡できず、金融市場に混乱をもたらすリスク AIが投資判断を自動で行う AIがすべてのデータを削除する AIが自動でトランザクションを処理する None 62. 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 63. 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 64. 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 65. 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 66. 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 67. AIを用いた「無許可でのデータマイニング」が行われた場合、どのような法的リスクが考えられますか？ データが公開される AIがデータを暗号化する AIがデータを削除する 個人情報保護法やGDPRに違反し、罰金や訴訟のリスクがある None 68. 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 69. 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 70. ファインチューニングにおいて「学習率」を小さく設定する理由は何ですか？ モデルの訓練時間を短縮するため 学習が不安定になるのを防ぐため モデルの精度を向上させるため 訓練データを増やすため None 71. 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 72. 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 73. 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 74. GANにおいて「識別モデル」の役割は何ですか？ 本物と偽物のデータを見分ける データを圧縮する パラメータを最適化する データの生成プロセスをサポートする None 75. 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 76. 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 77. 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 78. 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 79. AIの悪用における「ディープフェイク」とは何を指しますか？ AIが無断でデータを収集すること AIが生成したリアルな偽造映像や音声を指す AIがデータの誤りを訂正すること AIが他のAIと連携すること None 80. 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 81. 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 82. ディープラーニングモデルで「エポック数」を増やしすぎた場合、一般的に考えられる問題はどれですか？ モデルが訓練データを十分に学習できない モデルが過学習する可能性が高まる モデルの汎化性能が向上する 学習率が自動的に減少する None 83. 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 84. 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 85. 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 86. 転移学習における「ドメイン適応（Domain Adaptation）」の役割は何ですか？ 異なる分布のデータに対してモデルを適応させる モデルの訓練速度を向上させる 学習データを増やす モデルのパラメータ数を削減する None 87. AIシステムの透明性を高めるために、「ホワイトボックスモデル」の導入が推奨される理由は何ですか？ AIのアルゴリズムが完全に非公開になるため AIの内部の動作や意思決定プロセスを人間が理解できるように設計されているため AIがすべてのデータを削除するため AIが自動で判断を行うため None 88. 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 89. 次元削減手法の一つである「独立成分分析（ICA）」の特徴として最も適切なものはどれですか？ クラスタリングに使用される 信号の分離や異なるソースの分離に適している ラベル付きデータの分類に使用される クラスタ数を最適化する None 90. 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 91. 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 92. 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 93. 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 94. LSTMとGRUの主な違いは何ですか？ LSTMにはゲートが3つあり、GRUには2つしかない LSTMは短期依存性に優れているが、GRUは長期依存性に優れている GRUはLSTMよりもパラメータが多い LSTMは計算が効率的で、GRUは計算が複雑である None 95. 「セマンティックセグメンテーション」の目的は何か？ 画像全体を一つのラベルで分類する 画像の中の特定のオブジェクトを検出する 画像の中の顔を検出する 画像をピクセル単位で分類し、各ピクセルが何を表すかを識別する None 96. 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 97. 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 98. 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 99. 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 100. AIシステムにおける「トレーサビリティ（追跡可能性）」の役割は何ですか？ AIがすべてのタスクを手動で処理する AIの判断やプロセスを後から確認できるようにし、透明性を確保する AIが自動でデータを削除する AIがデータを公開しない None 101. AIのオープンソースライブラリを利用して製品を開発する際、誤って営業秘密を侵害した場合、どのような対応が必要ですか？ 製品をそのまま販売し続ける 問題を認識次第、利用を中止し、影響範囲を特定する 他社に責任を転嫁する 問題が発覚しない限り対応しない None 102. AIシステムが公共の意思決定に用いられる場合、透明性が重要な理由は何ですか？ AIがすべてのデータを収集するため AIが自動で判断を行うため 公共の意思決定において、AIの判断がどのように行われたのかを市民が理解できることで、信頼性と公平性が確保されるため AIがデータを削除するため None 103. 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 104. 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 105. 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 106. 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 107. 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 108. 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 109. 教師あり学習でモデルの過学習を防ぐために、「アンサンブル学習」が有効な理由は何ですか？ データの次元を削減するため 複数のモデルを組み合わせることで、予測の安定性と精度が向上する クラスタリングを自動化するため モデルの訓練時間を短縮するため None 110. スキップ結合を持つモデルのメリットはどれですか？ 学習が早くなる 勾配が安定する 過剰適合が防げる 全ての選択肢 None 111. 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 112. RNNが過剰適合を防ぐために使用される一般的な手法は何ですか？ バッチ正規化 アクティベーション関数の変更 勾配クリッピング ドロップアウト None 113. AIが公共政策の立案に利用される際、透明性を確保する最も重要な理由として適切なものを選んでください。 政策立案プロセスを完全に秘匿するため AIの利用を制限するため 市民が政策の正当性を理解し、民主的プロセスを支持するため 公共政策に市民の意見を反映させないため None 114. GANの訓練中に「勾配消失問題」が発生する主な原因は何ですか？ 識別モデルが生成モデルを圧倒するため 生成モデルのパラメータが多すぎるため データセットのサイズが不十分なため 学習率が高すぎるため None 115. 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 116. GRUの「リセットゲート」の役割は何ですか？ 勾配をリセットする 出力を調整する 過去の情報をリセットして新しい情報を受け入れる モデルのパラメータを更新する None 117. 「商品形態模倣行為」は不正競争防止法の対象ですか？ いいえ、模倣行為は自由です はい、特定の商品形態を模倣する行為は一定期間禁止されています いいえ、商品名のみが保護対象です はい、すべての商品に対して無期限で禁止されています None 118. 教師なし学習における「エルボー法」の主な目的は何ですか？ K-meansクラスタリングにおける最適なクラスタ数を決定するため 次元削減の際に使用するため データの外れ値を検出するため 学習率を最適化するため None 119. GRU（Gated Recurrent Unit）はLSTMに比べて何が異なりますか？ ゲートの数が多い ゲートの数が少なく、計算が効率的 パラメータの数が多い 出力の数が多い None 120. 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 121. 転移学習において、なぜ初期の層を「凍結（Freeze）」することが推奨されることが多いのですか？ 学習を安定させるため パラメータ数を増やすため 重みの初期化を行うため モデルの学習速度を下げるため None 122. スキップ結合を使うことで、ネットワークの性能が悪化する可能性がある状況はどれですか？ スキップ結合を多用しすぎた場合 活性化関数を間違えた場合 学習率が高すぎる場合 いずれも正しくない None 123. 教師あり学習のプロセスで、「モデルの汎化性能を向上させる」ために使用される手法はどれですか？ ミニバッチ学習 正則化 階層的クラスタリング 主成分分析 None 124. 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 125. 「GAN（敵対的生成ネットワーク）」における「生成ネットワーク（Generator）」の役割は何か？ 本物のデータと偽物のデータを区別する 本物に似た偽物のデータを生成する データの特徴量を抽出する 生成されたデータの品質を評価する None 126. 大規模な高次元データセットに対して、次元削減を行った後にクラスタリングを実施したい場合、適切な順序はどれですか？ 次元削減を先に行い、次にクラスタリングを行う クラスタリングを先に行い、次に次元削減を行う 同時に次元削減とクラスタリングを行う 次元削減は不要で、クラスタリングのみを行う None 127. 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 128. 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 129. 教師なし学習における「混合ガウスモデル（Gaussian Mixture Model; GMM）」は何に使われますか？ 確率的なクラスタリングを行うため 次元削減を行うため ラベル付きデータを分類するため 外れ値を検出するため None 130. 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 131. 教師あり学習における「K分割交差検証（K-fold Cross Validation）」の主な利点はどれですか？ データセットを効果的に分割し、モデルの汎化性能を評価できる 訓練時間を大幅に削減する データの次元を削減する 非線形データに対しても適用可能 None 132. AI技術を用いた製品の模倣行為が発覚した場合、企業が取るべき初期対応は何ですか？ 模倣行為を容認する 模倣品の販売を支援する 競合他社に製品を提供する 差止請求と損害賠償請求の準備を行う None 133. 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 134. 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 135. Conditional GAN（CGAN）が従来のGANと異なる主な点はどれですか？ データ拡張の役割を果たす 条件付きデータで生成を制御できる トレーニングデータセットを削減できる 判別モデルが不要になる None 136. 教師あり学習において、正則化（Regularization）の目的は何ですか？ モデルの訓練を高速化するため 過学習を防ぎ、モデルの汎化能力を高めるため データを増加させるため モデルの精度を最大化するため None 137. 不正競争防止法において「営業秘密」とは何ですか？ 企業が公表しているデータ 公に知られておらず、管理されている有用な情報 企業の利益に関係のない情報 企業の広告に関する情報 None 138. スキップ結合を持つネットワークが収束しやすい理由は何ですか？ 勾配が消失しにくくなるため 重みが固定されるため 学習率が自動調整されるため 出力層が早く更新されるため None 139. AIの透明性を高めるために、どのような技術的手法が有効ですか？ モデルの可視化や説明可能なアルゴリズムを使用する データの暗号化 AIモデルを非公開にする AIシステムを停止する None 140. AIの透明性が特に重要視される分野として適切なのはどれですか？ エンターテインメント分野 ゲーム開発分野 自動化されたメッセージ送信システム 医療や法的判断など、人命や権利に影響を与える分野 None 141. ファインチューニングを行う際、「学習率の段階的調整」が必要とされる理由は何ですか？ 計算コストを削減するため モデルのサイズを削減するため データの前処理を簡略化するため 新しいタスクに適応しつつ、事前学習の知識を保持するため None 142. 教師あり学習モデルを構築しているときに、訓練データが極端に不均衡な場合、最も有効なアプローチはどれですか？ データを削減してモデルの複雑さを制御する 非線形モデルに変更する クラスの重みを調整するか、サンプリングを行う グリッドサーチでハイパーパラメータを調整する None 143. 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 144. 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 145. AIの悪用において「アルゴリズムのブラックボックス化」がもたらす主なリスクとして適切なものを選んでください。 AIの性能が向上する 判断プロセスが不明瞭になり、不公平な結果が生じる アルゴリズムが全て公開される AIが独自に問題を解決する None 146. ガウス混合モデル（GMM）がK-meansクラスタリングと異なる主な点はどれですか？ クラスタ数を動的に決定できる データの線形分離性を仮定しない 初期化が不要 データポイントが複数のクラスタに所属する確率をモデル化できる None 147. WGAN（Wasserstein GAN）の特徴は何ですか？ モード崩壊を完全に防ぐ 勾配消失問題を緩和するためにWasserstein距離を使用する ラベル付きデータを使用して訓練を行う 生成データをクラスタリングする None 148. K-meansクラスタリングにおいて、各データポイントをクラスタに割り当てる基準は何ですか？ データポイントとセントロイドの距離 クラスタのサイズ データポイントの密度 データポイントのラベル None 149. AIが生成したデータセットに対する不正競争防止法上の保護を受けるための条件は何ですか？ データセットが営業秘密として管理されていること データセットが広く公開されていること データセットが物理的な形で存在していること データセットが著作権法で保護されていること None 150. 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 151. 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 152. RNNで勾配消失問題が発生しやすい理由として正しいものは次のうちどれですか？ 活性化関数が使用されないため 時間ステップごとに隠れ状態がリセットされるため 勾配がゼロに固定されるため 長いシーケンスでは勾配が小さくなりすぎるため None 153. 教師なし学習の結果として得られたクラスタを評価するために外部指標を使用する場合、適切な方法はどれですか？ シルエットスコア ノルム計算 調整ランドインデックス（ARI） エルボー法 None 154. 「転移学習」とはどのような手法か？ データの一部を無視して学習する 学習途中でモデルを停止させる モデルの重みを0にリセットする 別のモデルで学習したパラメータを新しいタスクに適用する None 155. 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 156. 「データ生成モデル」の評価指標として「Inception Score（IS）」が使用される理由は何ですか？ データのバイアスを測定するため モデルの計算効率を比較するため 生成されたデータの品質を評価するため トレーニングデータセットの欠損値を補正するため None 157. 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 158. 教師あり学習における「バイアス・バリアンスのトレードオフ」とは何を指しますか？ 高バイアスモデルと高バリアンスモデルの選択肢のバランス 訓練データとテストデータの誤差の差 学習率と正則化係数のバランス モデルの複雑さと学習時間のバランス None 159. 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 160. スキップ結合を持つネットワークが深層化することで得られる主な利点として適切なのはどれですか？ 訓練データの必要量が減少する 特徴抽出の精度が向上する モデルの性能が入力データの量に依存しなくなる ネットワークの収束速度が低下する None Time's up
