G検定～模擬試験③～ 2024年12月6日 ailearn 1. 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 2. 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 3. AIが犯罪組織によって悪用されるリスクは何ですか？ AIが自動的に犯罪を防止する AIが常に正確なデータを提供する AIが犯罪者を特定する AIが犯罪の計画や実行を自動化し、効率化するリスクがある None 4. GANにおいて「生成モデル」の役割は何ですか？ データの真偽を判断する 新しいデータを生成する 学習データを整理する パラメータの最適化を行う None 5. 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 6. 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 7. 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 8. 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 9. 生成モデルにおいて「潜在空間の連続性」が重要な理由は何ですか？ データ生成を停止するため データ生成速度を上げるため データ生成の滑らかさと一貫性を確保するため データの次元削減を行うため None 10. 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 11. 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 12. 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 13. 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 14. 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 15. 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 16. 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 17. 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 18. 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 19. スキップ結合を持つモデルでは、どのような学習速度が期待できますか？ 伝統的な深層モデルと同じ速度 より遅い学習速度 より速い学習速度 学習速度は影響を受けない None 20. 教師なし学習において、ラベル付きデータが存在しないため、データのグループ分けに用いられる手法はどれですか？ 線形回帰 ロジスティック回帰 クラスタリング サポートベクターマシン（SVM） None 21. 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 22. 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 23. 不正競争防止法で保護される「営業秘密」として、AI関連技術が該当する条件はどれですか？ AIアルゴリズムが公開されている場合 機密性が保たれ、有用で非公知の情報である場合 AIモデルが第三者によって利用されている場合 トレーニングデータが一般的な方法で作成された場合 None 24. 損失関数の選択が学習に与える影響はどれですか？ モデルの初期化方法を決定する 学習率の選択に影響を与える 学習の収束速度と最終的な精度に影響を与える 入力データの前処理方法を決定する None 25. 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 26. 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 27. 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 28. 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 29. 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 30. 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 31. 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 32. 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 33. 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 34. 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 35. 「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 36. 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 37. ディープラーニングにおける「オートエンコーダー（Autoencoder）」の目的はどれか？ データの次元削減や特徴量抽出を行う モデルの重みをランダムに初期化する データの分類を行う 時系列データを予測する None 38. 「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 39. 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 40. 「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 41. 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 42. 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 43. 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 44. 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 45. AIの透明性を向上させる際に重視される原則として最も適切なものを1つ選んでください。 アルゴリズムの完全非公開化 判断プロセスと使用データの説明 利用者への情報提供の制限 トレーニングデータの削除 None 46. 「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 47. 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 48. 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 49. 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 50. 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 51. 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 52. 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 53. 「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 54. 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 55. 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 56. 「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 57. データ生成における「データ拡張（Data Augmentation）」の目的は何ですか？ データセットの多様性を向上させる モデルの計算コストを削減する データを削除して軽量化する 特定のデータ分布を削除する None 58. 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 59. 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 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. 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 62. AIがソーシャルメディアでの情報操作に悪用される際、どのような手法が取られる可能性がありますか？ AIがユーザーの投稿を削除する AIが大量のフェイクアカウントを作成し、虚偽情報を広める AIがすべてのコメントを検閲する AIがプライバシーを保護する None 63. 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 64. 転移学習で「部分的に凍結された層」を解凍して学習する利点は何ですか？ モデルの学習速度を速めるため モデルが元のタスクを学習するため モデルが新しいデータに柔軟に適応できるようにするため パラメータ数を削減するため None 65. 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 66. AIシステムの透明性を確保するための「オープンソースAI」とは何ですか？ AIのソースコードやアルゴリズムが公開され、誰でもアクセスできるシステム AIがすべてのタスクを自動で処理するシステム AIが常に最新の技術を使用するシステム AIが自動でデータを削除するシステム None 67. 残差ブロックにスキップ結合を導入することで、どのような効果が得られますか？ ネットワークの出力が安定する 学習が加速し、勾配が安定する 訓練データのサイズが増加する モデルのパラメータ数が増加する None 68. 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 69. 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 70. 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 71. 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 72. 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 73. ファインチューニングとは何ですか？ モデルの出力層のみを更新すること 全ての層の重みを再調整すること モデルの一部を再学習すること 訓練データを拡張すること None 74. AIによる悪用を防ぐために必要な「倫理的ガバナンス」の役割は何ですか？ AIの開発を停止すること AIを常に最新にアップデートすること AIの開発・運用において、倫理的な基準やルールを設け、それに従って管理すること AIにすべての責任を負わせること None 75. 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 76. 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 77. 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 78. 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 79. ソフトマックス関数と一緒に使用される代表的な誤差関数はどれですか？ 平均二乗誤差（MSE） 二項クロスエントロピー カテゴリカルクロスエントロピー Huber誤差 None 80. 転移学習の効果を最大化するために「データの前処理」が重要な理由は何ですか？ モデルの計算速度を速めるため データが元のタスクと整合性を保つため データセットを増やすため 学習率を最適化するため None 81. 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 82. スキップ結合が含まれる残差ブロックにおいて、スキップ結合を適切に動作させるための重要な設計ポイントはどれですか？ 勾配の大きさを増加させる スキップ結合をリカレント構造で接続する スキップ結合に非線形変換を加える 残差部分が学習を容易にするよう恒等写像を用いる None 83. 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 84. 不正競争防止法において「損害賠償請求権」とは何ですか？ 他者の権利を無効にする権利 不正競争行為によって生じた損害について賠償を求める権利 競合他社の商品を使用する権利 営業秘密を不正に利用する権利 None 85. 生成モデルのトレーニングにおいて「ラベルスムージング」が導入される理由は何ですか？ ラベル付きデータを生成するため 学習率を一定に保つため データの多様性を確保するため 識別モデルが過度に確信を持つことを防ぐため None 86. 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 87. 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 88. 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 89. 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 90. 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 91. 平均二乗誤差（MSE）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平均して二乗 予測値と実際の値の差のログを取って平均 None 92. 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 93. 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 94. 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 95. 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 96. データ生成手法として「自己回帰モデル」が適用されるタスクとして適切なものはどれですか？ GANを用いた画像生成 時系列データの予測 潜在変数の学習 ノイズ除去 None 97. 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 98. 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 99. Huber誤差の主な特徴はどれですか？ 小さな誤差に対して二乗誤差、大きな誤差に対して絶対誤差を適用する 外れ値に対して非常に敏感である 二項分類に使用される 分類問題で使用される None 100. GANの識別モデルが非常に強力である場合、生成モデルはどのような結果をもたらす可能性がありますか？ 過学習を引き起こす モード崩壊を引き起こす 無限にデータを生成する 学習が進まなくなる None 101. 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 102. 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 103. 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 104. 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 105. 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 106. 教師あり学習における「目的変数」とはどれですか？ 説明変数 ハイパーパラメータ 予測したいターゲット値 訓練データ None 107. 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 108. 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 109. 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 110. 回帰問題で、モデルの評価に「平均絶対誤差（MAE）」ではなく「平均二乗誤差（MSE）」を使用する理由として最も適切なのはどれですか？ MSEは外れ値の影響を軽減するため MSEは外れ値を重視して評価するため MSEは負の値を扱わないため MSEは計算速度が速いため None 111. 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 112. 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 113. 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 114. 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 115. 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 116. 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 117. データ生成モデルの評価指標として使用される「FIDスコア」とは何ですか？ データ生成の速度を評価する指標 モデルのパラメータ数を評価する指標 生成モデルの訓練時間を評価する指標 生成データと実データの類似度を測定する指標 None 118. 階層型クラスタリングでは、クラスタリングの結果をどのように表現することができますか？ 散布図 t-SNEプロット 混同行列 デンドログラム None 119. 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 120. LSTMの「出力ゲート」はどのように機能しますか？ 過去の情報を忘れる セル状態を次のタイムステップに伝える 現在の隠れ状態を次の層に出力する 新しい情報を追加するかどうかを決定する None 121. 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 122. 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 123. 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 124. 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 125. 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 126. 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 127. スキップ結合を持つネットワークが性能を発揮しない可能性がある状況として適切なのはどれですか？ 入力データがランダムノイズである場合 モデルが浅い場合 学習率が高すぎる場合 出力層の次元が非常に大きい場合 None 128. 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 129. 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 130. 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 131. 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 132. 不正競争防止法における「差止請求権」とは何ですか？ 不正競争行為を行った企業に対して、その行為の差止めを求める権利 他社の商品を自由に使用する権利 営業秘密を公開する権利 他社の特許を差し止める権利 None 133. Bidirectional RNNが適用される主なタスクはどれですか？ 画像分類 機械翻訳 強化学習 数値回帰 None 134. 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 135. 「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 136. 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 137. 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 138. 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 139. 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 140. 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 141. 誤差関数の選択がモデルの性能に与える影響は何ですか？ モデルの構造にのみ影響を与える 学習の収束速度や最終的な性能に影響を与える データの前処理方法に影響を与える 出力層のアクティベーション関数にのみ影響を与える None 142. 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 143. 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 144. 不正競争防止法において、特許や著作権とは異なる特徴は何ですか？ 技術的発明を保護する 商品や営業の混同を防止することに重点を置いている 著作物を保護する 発明の公開を義務付けている None 145. 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 146. 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 147. RNNの学習を安定させるために使用される「勾配クリッピング（Gradient Clipping）」の目的は何ですか？ 勾配をゼロにして学習を停止するため 勾配の計算を高速化するため 勾配の大きさを制限して勾配爆発を防ぐため 勾配消失問題を解決するため None 148. 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 149. 「勾配クリッピング」がRNNの学習に有効な理由は何ですか？ 勾配消失を防ぐため 勾配爆発を防ぐため 勾配を強化するため 学習率を調整するため None 150. 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 151. 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 152. 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 153. 教師あり学習において、モデルが訓練データでは高い精度を示すが、テストデータでは大きく精度が低下する場合、考えられる最も一般的な原因はどれですか？ モデルがオーバーフィットしている モデルがアンダーフィットしている データにラベルノイズが多い テストデータのサイズが小さい None 154. 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 155. 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 156. 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 157. 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 158. 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 159. AIの「自律システム」において、透明性が欠如していると、どのようなリスクが発生しますか？ AIが自動でデータを削除する AIが常に正確に動作する AIがデータを正しく処理しない AIの判断が予測不可能であり、人間がその行動を理解できず、重大な事故や誤動作が発生するリスク None 160. 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 Time's up
