G検定～模擬試験③～ 2024年12月6日 ailearn 1. 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 2. 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 3. 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 4. 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 5. 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 6. 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 7. 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 8. t-SNEやPCAを使った次元削減後に、データを視覚化し、クラスタの傾向が見られたとします。この視覚化結果を基にさらに分析を深めるために有効な方法はどれですか？ 非負行列因子分解を行う K-meansクラスタリングでグループを明確に分ける エルボー法を適用して最適な次元数を見つける ランダムフォレストを適用して分類する None 9. 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 10. 次のうち、ディープラーニングにおける「アンサンブル学習」の利点はどれか？ モデルの学習速度を劇的に向上させる モデルのメモリ使用量を削減する 複数のモデルを組み合わせることで、モデルの汎化性能が向上する 過学習を防ぐためにバッチサイズを大きくする None 11. 転移学習のモデルにおいて、事前学習した層を全て再学習することが推奨されるケースはどのような場合ですか？ 元のタスクと新しいタスクの特徴が大きく異なる場合 データセットが同じ場合 新しいタスクが非常に小さい場合 モデルが過学習している場合 None 12. 平均二乗誤差（MSE）が外れ値に敏感である理由はどれですか？ 絶対値を計算するため 誤差を累積するため モデルの構造に依存するため 誤差を二乗するため None 13. 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 14. 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 15. ディープラーニングにおいて「ハイパーパラメータチューニング」が必要な理由として最も適切なものはどれですか？ モデルの学習速度を向上させるため データの前処理を簡素化するため モデルの汎化性能を最適化するため 勾配爆発問題を防ぐため None 16. VAEの潜在空間で行われる「再パラメータ化トリック」の役割は何ですか？ データの次元削減を行うため データのノイズを除去するため 勾配ベースの最適化を可能にするため 生成データの精度を向上させるため None 17. 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 18. AIの透明性を確保するために「ロギングシステム」が導入されることがありますが、その役割は何ですか？ AIが自動でデータを削除する AIが自動で判断を行う AIの意思決定プロセスやデータ処理の履歴を記録し、後から確認できるようにする AIがすべてのタスクを非公開で処理する None 19. 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 20. 転移学習において、事前学習済みモデルの「出力層」を更新する理由は何ですか？ モデルの速度を上げるため 訓練データを減らすため 新しいタスクでのパフォーマンスを低下させるため 新しいタスクに対応するため None 21. VAE（Variational Autoencoder）における「潜在空間」を正規分布に従わせる目的は何ですか？ モデルの計算負荷を軽減するため 訓練データを削減するため ノイズを除去するため 新しいデータ生成のために潜在空間の構造を明確にするため None 22. 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 23. 営業秘密を保護するために企業が講じるべき適切な措置は何ですか？ 営業秘密を特許出願する 営業秘密に対するアクセス制限や秘密保持契約を従業員に対して徹底する 営業秘密を公開する 営業秘密を競合他社と共有する None 24. AIが自動で生成する「フェイクレビュー」は、どのような社会的リスクをもたらしますか？ AIが商品の評価を正確に行う 虚偽のレビューが拡散され、消費者の判断が歪められるリスク AIがレビューを削除する AIがレビューを暗号化する None 25. ディープラーニングで使用される「ReLU（Rectified Linear Unit）」の特徴はどれか？ 入力が負の値の場合、0を出力する 入力が0以上の値の場合、負の数を出力する 勾配消失問題を引き起こす 入力に対して常に同じ値を返す None 26. AIを利用して「プロファイリング」が行われる場合、その悪用リスクとして最も懸念されるものを選んでください。 個人に関する情報が正確に記録される プロファイリングの結果が常に公開される 個人のプライバシーが侵害され、不当な差別につながる可能性がある AIはすべてのプロファイリング結果を保護する None 27. AIを利用したサイバー攻撃の一つに「敵対的攻撃（Adversarial Attack）」がありますが、これはどのような攻撃ですか？ AIシステムに誤った入力を与え、誤った結果を出力させる攻撃 AIがデータを盗む攻撃 AIがサーバーを破壊する攻撃 AIがデータを永久に保存する攻撃 None 28. 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 29. 生成モデルが「潜在変数」を使用する理由は何ですか？ データの圧縮効率を高めるため データの次元削減を行うため データ生成において多様なバリエーションを生み出すため 学習率を最適化するため None 30. 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 31. 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 32. ファインチューニングを行う際に「凍結された層」を再び解凍して学習させるべき状況はどのような場合ですか？ モデルが過学習している場合 新しいデータセットが非常に小さい場合 学習率が高すぎる場合 新しいタスクが元のタスクと大きく異なる場合 None 33. 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 34. 不正競争防止法における「営業秘密」の定義に該当しないものはどれですか？ 適切に管理されていない公開されている情報 公に知られておらず、管理されている有用な情報 営業上の利益を生む情報 技術的または営業上の情報 None 35. AI関連のソフトウェアに対して、不正競争防止法の「営業秘密」として保護されるためにはどのような措置が必要ですか？ ソフトウェアのソースコードが適切に管理され、外部に漏れないようにすること ソフトウェアを公開すること ソフトウェアを他社と共有すること ソフトウェアを商業的に利用すること None 36. 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 37. DenseNetではスキップ結合がどのように利用されているか、適切な説明を選んでください。 各層が前層の出力だけを入力として利用する 特定の層間でのみスキップ結合を使用する 全てのスキップ結合が恒等写像である 各層が全ての前層の出力を結合して入力として利用する None 38. 転移学習が有効となる状況はどのような場合ですか？ 訓練データが少なく、計算資源が限られている場合 訓練データが非常に多い場合 モデルが十分に大きい場合 モデルの性能が非常に高い場合 None 39. 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 40. 教師あり学習の過程で「学習データ」を使う理由として適切なものはどれですか？ モデルのパラメータを調整して、正しい予測ができるようにするため データの次元を削減するため モデルが過学習しないようにするため モデルの性能を評価するため None 41. K-meansクラスタリングで、クラスタ数を指定する必要がある理由として正しいのはどれですか？ モデルがデータを指定された数のグループに分割するため データの次元を削減するため データのラベルを生成するため 精度を向上させるため None 42. クロスエントロピー誤差はどのような場合に使用されますか？ 回帰問題 分類問題 強化学習問題 次元削減問題 None 43. 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 44. 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 45. 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 46. 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 47. 次のデータセットにおいて、どの誤差関数が最も適切ですか？ 特徴: 外れ値が多く含まれる回帰タスク 平均二乗誤差（MSE） 平均絶対誤差（MAE） クロスエントロピー損失 Huber損失 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 50. 「DCGAN」はどのようなモデルですか？ GANに畳み込みニューラルネットワーク（CNN）を導入したモデル GANにリカレントニューラルネットワークを組み合わせたモデル GANに強化学習を組み合わせたモデル GANにトランスフォーマーを導入したモデル None 51. GRU（Gated Recurrent Unit）がLSTMより計算効率が高い理由として最も適切なものはどれですか？ ゲートの数が少ないため 隠れ層を複数持たないため セル状態を持たないため 勾配消失問題を完全に解決するため None 52. 次のうち、教師なし学習に分類される手法はどれですか？ K-meansクラスタリング ロジスティック回帰 サポートベクターマシン（SVM） ランダムフォレスト None 53. 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 54. 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 55. 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 56. ディープラーニングにおける「勾配消失問題」とは何か？ 勾配が0に近づき、重みが更新されにくくなる現象 勾配が大きくなりすぎて、重みが急激に変化する現象 モデルの精度が過剰に上がる現象 入力データが足りなくなる現象 None 57. 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 58. 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 59. 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 60. 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 61. 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 62. 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 63. AIの「透明性」と「説明可能性」の違いとして適切なのはどれですか？ 透明性はAIの動作が理解できる形で公開されること、説明可能性はAIがなぜその判断をしたのかを説明できること 透明性はAIの判断が非公開になること、説明可能性は判断が公開されること 透明性はAIがすべてのデータを削除すること、説明可能性はデータが公開されること 透明性と説明可能性は同じ意味である None 64. ディープラーニングでよく使われる「バックプロパゲーション（逆伝播）」の役割はどれか？ モデルの精度を評価するプロセス 勾配を計算して重みを更新するプロセス データを訓練セットとテストセットに分割するプロセス 入力データを正規化するプロセス None 65. 「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 66. 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 67. 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 68. 「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 69. AIによる「敵対的生成ネットワーク（GAN）」がフェイクニュースの作成に悪用された場合、どのような影響が考えられますか？ AIが誤ってニュースを削除する AIが非常にリアルな虚偽情報を生成し、社会的混乱を引き起こす可能性がある AIがニュースを公開しない AIがニュースの信頼性を高める None 70. 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 71. 教師あり学習で最適なハイパーパラメータを見つけるために使用される手法はどれですか？ グリッドサーチ ランダムサーチ ベイズ最適化 交差検証 None 72. 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 73. 「営業秘密の不正取得」に該当する行為はどれですか？ 公開された技術情報を使用すること 合法的に取得した営業秘密を使用すること ハッキングなど不正な手段で営業秘密を入手すること 営業秘密を守るための契約を結ぶこと None 74. 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 75. 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 76. 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 77. 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 78. 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 79. 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 80. 不正競争防止法における「不正競争行為」とは何ですか？ 他者の商品や営業を混同させる行為 競合他社の商品を宣伝する行為 競合他社の営業秘密を開示する行為 競合他社の商品を改良する行為 None 81. GANのトレーニングにおいて、識別モデルが「トレーニング進行中に常に正確な結果を出しすぎる」場合、どのような問題が発生しますか？ 生成データが現実に近づく 識別モデルが報酬を与える データが過学習する 生成モデルの学習が停滞する None 82. 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 83. 畳み込みニューラルネットワーク（CNN）の「プーリング層」の主な役割は何か？ 入力データを線形に変換する 空間的な情報を抽出し、特徴マップを圧縮する 入力データを次元削減して学習を効率化する データのランダムな部分を削除する None 84. 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 85. 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 86. 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 87. 転移学習モデルの「初期層」を凍結することによる弊害は何ですか？ モデルの計算速度が遅くなる パラメータ数が増加する 新しいタスクに対して適応力が落ちる可能性がある 学習率が大きくなる None 88. 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 89. 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 90. データ生成に用いられる代表的な手法である「GAN」は何の略ですか？ General Adversarial Network Generative Adversarial Network General Activation Network Generative Algorithmic Network None 91. 教師なし学習で次元削減を行う際に、散布図を使って高次元データを2次元に投影する方法として正しいものはどれですか？ ロジスティック回帰 K-means t-SNE ランダムフォレスト None 92. 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 93. 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 94. 転移学習で「中間層の特徴」を活用する際の主なメリットは何ですか？ 計算リソースの節約 汎用的な特徴を抽出して新しいタスクに適用できる 高度な専門知識が必要ない モデルの全体的なサイズを縮小できる None 95. AIの「差別的なアルゴリズム設計」が問題となる理由は何ですか？ AIが自動でデータを削除するため AIがすべての人に同じ結果を提供するため AIが複雑なデータを処理できないため AIが特定の人種や性別に対して偏見を持つ判断を下す可能性があるため None 96. 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 97. 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 98. ディープラーニングにおける誤差関数の適切な選択が学習に与える影響として最も重要なものはどれですか？ モデルの計算速度を改善する モデルの汎化性能を向上させる 活性化関数を最適化する 入力データの次元を削減する None 99. 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 100. 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 101. 透明性を確保するためにAI開発者が考慮すべき点として適切でないものを1つ選んでください。 アルゴリズムのバイアス検証 利用者が理解可能な形式での情報提供 AIの完全自動化による人間の排除 トレーニングデータの出所の明示 None 102. 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 103. GDPR（一般データ保護規則）におけるAIの透明性に関する規定は何ですか？ ユーザーは自分のデータがどのようにAIによって処理されるかを知る権利がある AIシステムはすべての判断を公開する必要がある AIはすべてのデータを匿名化する必要がある AIは個人データを保存してはならない None 104. 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 105. 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 106. 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 107. 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 108. 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 109. 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 110. 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 111. 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 112. 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 113. 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 114. 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 115. 転移学習でよく使われる「ベースモデル」とは何ですか？ 全ての層を固定したモデル 事前に大規模データで学習されたモデル 転移学習の後に学習を行うモデル 全ての重みがランダムな状態のモデル None 116. 平均絶対誤差（MAE）はどのように計算されますか？ 予測値と実際の値の差を絶対値にして平均 予測値と実際の値の差を二乗して平均 予測値と実際の値の差を対数変換して平均 予測値と実際の値の差の平方根を取って平均 None 117. 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 118. ResNetの残差ブロックにおける「恒等写像（Identity Mapping）」は何を意味しますか？ 各層で出力を倍にすること 各層の出力をそのまま次の層に渡すこと 各層で重みをゼロに設定すること 入力層と出力層を直接結合すること None 119. 次のうち、ディープラーニングの「サポートベクターマシン（SVM）」とは異なる特徴を持つアルゴリズムはどれか？ ロジスティック回帰 K-means 畳み込みニューラルネットワーク（CNN） 主成分分析（PCA） None 120. 外れ値が多いデータセットでMSEを使用した場合のリスクは何ですか？ 学習が遅くなる モデルが正確にならない 外れ値に過剰適合する モデルの構造が複雑になる None 121. 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 122. 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 123. 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 124. AIによる「フィッシング詐欺メール」の生成が高度化した場合、どのようなリスクが増加しますか？ AIがメールを削除する AIが詐欺メールを削除する AIが非常に巧妙な詐欺メールを自動で生成し、個人情報の盗難や経済的損失が増加するリスク AIがプライバシーを保護する None 125. Bidirectional RNN（双方向RNN）の特徴は何ですか？ 時系列データを過去方向にのみ処理する 双方向に同時にデータを生成する 時系列データを過去方向と未来方向の両方で処理する 勾配消失問題を解決する None 126. 「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 127. 「説明可能なAI（Explainable AI）」とは、どのような特徴を持つシステムですか？ AIの動作が常に非公開であること AIがなぜその判断を行ったのかを説明できるシステム AIが常に正確な結果を提供するシステム AIがすべてのデータを自動で処理するシステム None 128. 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 129. 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 130. 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 131. 「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 132. 教師なし学習の代表的な手法である階層型クラスタリングでは、どのようにしてクラスタを形成しますか？ クラスタ数を指定してデータを分類 データ間の類似性に基づいて階層的にクラスタを構築する ラベルのないデータにラベルを付与 データを逐次的に分割 None 133. 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 134. AIが「自動化された監視」に悪用された場合、個人の自由が侵害される理由として最も適切なものを選んでください。 AIは個人の意思を無視して判断を行うため 監視によって個人の行動が過度に制限されるため AIが人間の決定をすべてサポートするため 監視システムが社会全体の安全性を向上させるため None 135. 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 136. 「ドロップアウト」はディープラーニングでどのような役割を果たすか？ 重みの初期化を行う 過学習を防ぐために、訓練中に一部のノードを無効化する 訓練データを拡張するために使用される 勾配降下法の精度を向上させる None 137. RNNの勾配消失問題を解決するために効果的な技術は何ですか？ バッチ正規化 LSTMやGRUの使用 活性化関数の変更 ドロップアウトの使用 None 138. 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 139. スキップ結合による勾配消失問題の軽減は、どのような原理に基づいていますか？ 勾配の計算回数を減少させる 勾配を直接次の層に伝える 出力層から入力層への逆伝播を省略する ネットワークの深さを増加させる None 140. 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 141. 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 142. 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 143. 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 144. ディープラーニングにおける「バッチ正規化（Batch Normalization）」の主な利点は何か？ モデルの重みをランダムに初期化する 訓練データのバッチサイズを調整する モデルの出力を正規分布に変換する モデルの訓練速度を向上させ、勾配消失問題を緩和する None 145. 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 146. 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 147. 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 148. 転移学習において、最もよく使われるデータセットはどれですか？ CIFAR-10 MNIST ImageNet COCO None 149. LSTMにおける「セル状態（Cell State）」が長期的な依存関係の学習に役立つ理由は何ですか？ 勾配の流れを安定させるため 訓練データを圧縮して計算負荷を軽減するため 短期記憶を強化するため 出力層の計算を簡素化するため None 150. 誤差関数として最も適切なものを選択してください。次の状況において、外れ値の影響を最小限に抑えたい場合の回帰問題です。 平均二乗誤差（MSE） 平均絶対誤差（MAE） Huber誤差 二項クロスエントロピー None 151. 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 152. スキップ結合を使用する際、出力の次元が入力の次元と異なる場合に一般的に行われる処理は何ですか？ 勾配クリッピング 次元の拡張または縮小を行うための線形変換 入力を切り捨てる 出力をゼロパディングする None 153. AIが透明性を持っていない場合、どのような社会的リスクが発生する可能性がありますか？ AIが効率的に動作しない AIがすべてのデータを削除する ユーザーや社会がAIの判断を信頼できず、不正確な情報が広まるリスク AIが判断を自動で行う None 154. 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 155. 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 156. 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 157. 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 158. 転移学習を行う際に「ファインチューニング」する層はどの部分ですか？ 入力層のみ 初期の層のみ 全ての層 出力層および後半の層 None 159. スキップ結合を持つモデルでの最適化手法として適切なものはどれですか？ 最小二乗法 勾配降下法（SGD） 確率的勾配降下法（SGD） Adamオプティマイザー None 160. 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 Time's up
