G検定～模擬試験⑤～ 2024年12月6日 ailearn 1. モデルの軽量化で「ハードウェアアクセラレーション」を活用する理由は何ですか？ モデルのサイズを増やすため モデルの精度を低下させるため モデルのトレーニング時間を延長するため モデルのパフォーマンスを最大化するために専用のハードウェアを使用する None 2. データ拡張を使用することのデメリットは何ですか？ データ拡張によりノイズが増える可能性がある モデルの性能が低下する 訓練データが必要なくなる モデルの学習率が低下する None 3. AIサービス提供契約において、サービス提供者が委託者に対して行う保証の内容として、一般的に含まれるものはどれですか？ サービスの無停止稼働を保証 サービスが契約条件に従って正常に機能することの保証 サービスが委託者のビジネス成功を保証 サービスの無償提供 None 4. GANを使用したデータ拡張の利点は何ですか？ 現実に近い新しいデータを生成できるため、データセットのサイズを効率的に増やせる データ拡張が不要になる トレーニングデータを削除できる モデルの性能が自動的に向上する None 5. AI開発委託契約において、第三者の知的財産権を侵害していることが判明した場合の対応として、委託者が考慮すべき事項は何ですか？ 契約に基づき、開発者に責任を負わせるか、対応を協議する 開発者に無条件で責任を負わせる 契約を無効にする 知的財産権の侵害を無視する None 6. モデルの軽量化における「パラメータシェアリング」とは何ですか？ 異なるモデル間で同じデータを共有すること データの分割手法 モデルの出力層を複数持つこと モデル内で同じパラメータを複数の層で再利用すること None 7. SHAPとLIMEの違いとして最も適切なのはどれですか？ SHAPはゲーム理論に基づき、LIMEはモデルを単純化して解釈を行う SHAPはローカル解釈に特化し、LIMEはグローバル解釈に特化している SHAPは特徴量の重要度を計算し、LIMEはモデルの速度を向上させる SHAPはブラックボックスモデルには適用できない None 8. 「データの正規化」と「標準化」の違いは何ですか？ 正規化はデータを削除することであり、標準化はデータを増やすことである 正規化はデータの次元を減らし、標準化は次元を増やす 正規化はデータのスケールを0から1の範囲に収め、標準化は平均0、標準偏差1に変換する 正規化はデータのバイアスを減らし、標準化はノイズを増やす None 9. AI倫理において「倫理的影響評価」が必要とされる理由として最も適切なものを選んでください。 AIシステムの効率性を高めるため AI技術が社会に及ぼす影響を予測し、リスクを最小限に抑えるため AI技術の開発速度を遅らせるため 特定の技術を優先するため None 10. AIガバナンスにおける「国際協力」が必要な理由は何ですか？ AIがすべての国で同じ技術を使用するため AI技術は国境を越えて影響を及ぼすため、各国が連携してルールやガイドラインを整備する必要があるため AIがすべてのデータを無視するため AIがすべての国で同じ規則に従うため None 11. 自然言語処理（NLP）でのデータ拡張として有効な手法はどれですか？ 文の逆順化 単語のランダム挿入や削除 ストップワードの削除 活性化関数の変更 None 12. モデルの軽量化に役立つ「モバイルネット（MobileNet）」の特徴は何ですか？ 高精度な分類能力を持つ大規模モデル 計算コストを削減するために深層畳み込みを使用した軽量モデル リアルタイム処理のためのリカレントネットワーク データの前処理を効率化する手法 None 13. AIサービス提供契約において、委託者がサービス提供者に対して持つ権利として、一般的に認められるものはどれですか？ サービス提供者の知的財産権を取得する権利 サービスの停止を要求する権利 サービス提供者に罰金を科す権利 サービスの品質に関する保証を求める権利 None 14. AI開発委託契約で、成果物が「第三者の知的財産権を侵害している」と判明した場合、委託者の対応として適切なのはどれですか？ 成果物をそのまま使用し続ける 委託者が第三者との交渉を行う 受託者に責任を求め、成果物の修正または代替品の提供を要求する 成果物の利用を中止し、契約を終了する None 15. AIサービス提供契約において、サービス提供者が提供する保証が「性能基準を満たさなかった」場合に、利用者が受けるべき補償内容として一般的なものはどれですか？ 契約解除および損害賠償の請求権 利用者が独自にシステムを改修する義務 サービス提供者が追加の料金を請求する権利 提供者がすべてのデータを公開する義務 None 16. AI技術が「持続可能な開発目標（SDGs）」に貢献できる方法として適切なのはどれですか？ AIが全ての開発目標を無視すること AI技術を活用してエネルギー効率を改善し、貧困や教育、医療の分野での解決策を提供すること AIが全てのデータを削除すること AIが全ての開発目標を自動で設定すること None 17. 「逆伝播法（Backpropagation）」がモデル解釈性に与える影響は何ですか？ モデルの計算量を増加させる モデルの性能を低下させる 訓練データを必要としなくなる 特定の予測に対する寄与度を確認するために使用できる None 18. データ拡張における「カットアウト（Cutout）」手法の目的は何ですか？ モデルの複雑さを減らすため 画像の一部をランダムに黒く塗りつぶして隠すことで、モデルが全体的な文脈を学習するため モデルの精度を上げるため 勾配の更新を行うため None 19. VAEにおける「再構成誤差」と「KLダイバージェンス」のバランスを取る理由は何ですか？ モデルの学習速度を向上させるため データの再構成精度と生成データの多様性を同時に向上させるため パラメータ数を削減するため 活性化関数を最適化するため None 20. モデル解釈性を向上させるために「代理モデル」が使用される理由はどれですか？ モデルの精度を上げるため 複雑なモデルの振る舞いをシンプルなモデルで近似し、解釈性を向上させるため モデルのパラメータを減らすため モデルのトレーニング時間を短縮するため None 21. AI開発において、委託者が成果物に満足できなかった場合、どのような措置を取るべきですか？ 自ら修正する 開発者に罰金を科す 開発者を変更する まず契約に基づく瑕疵修正を開発者に求める None 22. 「学習率減衰（Learning Rate Decay）」が特に有効となる場面はどれですか？ 初期学習段階で収束速度を上げたい場合 勾配が発散しやすいモデルの場合 学習の後半で微調整を行いたい場合 モデルの汎化性能を完全に改善する場合 None 23. AI開発委託契約において「瑕疵担保責任」とは何ですか？ 開発者が納期を守る責任 開発者が納品した成果物に欠陥があった場合、その修正や損害賠償を負う責任 委託者が開発費用を支払う責任 契約のキャンセルに関する責任 None 24. モデル軽量化を行う際に使用される「スパース性」とは何ですか？ モデルがトレーニング時にランダムに動作すること モデル内の多くのパラメータがゼロ値を持つこと モデルが複数のデータセットを使用すること モデルが非常に大きくなること None 25. モデルの解釈性を高めるために、複雑なモデルを単純化する手法を何と呼びますか？ モデル蒸留（Model Distillation） 勾配消失問題 リカレントニューラルネットワーク バッチ正規化 None 26. AIサービス提供契約において、「データ所有権」が明確に定義される理由は何ですか？ データの帰属を明確にし、不当利用を防ぐため データの利用が無制限で許可されるようにするため サービス提供者がすべてのデータを公開できるようにするため データを契約終了後も利用できるようにするため None 27. 最適化手法で「局所最適解」に陥るリスクを軽減するために有効な戦略として適切なのはどれですか？ 学習率を固定する モーメンタムを導入する 勾配の符号を反転させる バッチサイズを増加させる None 28. 「主成分分析（PCA）」がデータ解析で重要視される理由は何ですか？ データを標準化するため データのノイズを増やすため データの次元削減を行い、データの本質的な情報を抽出するため データの欠損を補完するため None 29. AI開発委託契約における「委託料の支払いスケジュール」はどのように決定されますか？ 法律で自動的に決定される 契約で取り決める必要がある 委託者が任意に決定する 開発者が任意に決定する None 30. 学習率減衰（Learning Rate Decay）の目的は何ですか？ 学習率を段階的に減少させること 学習率を増加させること 学習を早く終わらせること モデルの複雑さを増すこと None 31. モデルの解釈性を高めるために「部分依存プロット（Partial Dependence Plot, PDP）」が使用される理由は何ですか？ 特定の特徴量が予測結果にどのような影響を与えるかを可視化するため モデルのパラメータを最適化するため データセットのサイズを削減するため モデルの学習率を調整するため None 32. AIガバナンスにおいて、「データ主権」の概念が重要視される理由として適切なものを選んでください。 個人や国家が自分のデータに対する管理権を持つことを保証するため データの商業利用を制限するため データ収集を完全に禁止するため データ取引の自由を促進するため None 33. 「カットミックス（CutMix）」というデータ拡張手法の主な特徴として正しいものを選んでください。 2つの画像をランダムに切り取り、ラベルを線形補間して混ぜる 画像をランダムに切り取って黒塗りにする ノイズを追加してラベルを変化させる 画像を複数のセグメントに分割してランダムに並べ替える None 34. オートエンコーダを異常検知に使用する際、異常データが検出される基準は次のうちどれですか？ 再構成誤差が異常に大きい場合 潜在変数の次元が基準を超える場合 エンコーダの出力が入力データに一致する場合 デコーダの構造が複雑な場合 None 35. AIモデルにおいて、過学習を防ぐための一般的な手法として適切でないものはどれですか？ データを増やす 正則化を導入する モデルの複雑さを減らす 学習データの一部を削除する None 36. 「Nesterov Accelerated Gradient（NAG）」がモーメンタム法と異なる点はどれですか？ 勾配の方向を無視する 現在の位置ではなく、予測された位置で勾配を計算する パラメータの更新を完全に停止する 学習率を動的に変更する None 37. AI開発委託契約における「データ提供に関する条項」では何が明記されるべきですか？ 開発に使用するデータの提供元とデータの取り扱いに関する条件 データを無制限に利用できる権利 開発者が全てのデータを提供する義務 委託者がデータを販売する権利 None 38. 「責任の所在」がAI倫理において重要な理由は何ですか？ AIがすべての決定を自動で行うため AIが全ての責任を放棄するため AIがすべてのデータを削除するため AIが誤った決定を下した場合、誰がその結果に責任を持つべきかが明確でなければならないため None 39. 最適化手法における「自動微分」とは何ですか？ 勾配降下法の別名 微分計算を自動化する手法 データの前処理手法 パラメータの最適化技術 None 40. モデルの解釈性を犠牲にせずに精度を向上させるための技術として適切なのはどれですか？ 蒸留モデル（Model Distillation） ドロップアウト バッチ正規化 過学習の防止 None 41. バッチ勾配降下法の特徴は何ですか？ 各イテレーションでデータポイントを1つだけ使用する 複数のデータポイントを使用するが、各バッチが固定されている 学習率が固定されている 全てのデータポイントを使用して勾配を計算する None 42. 線形代数の「特異値分解（SVD）」は、どのような目的で使用されますか？ 行列のランクを求めるため 行列を分解し、データの次元削減や圧縮に利用するため データのノイズを増加させるため データの相関を減らすため None 43. AIガバナンスにおいて「透明性」が重要視される理由は何ですか？ AIがすべてのデータを隠すため AIの決定プロセスが不透明だと、利用者がその結果を信頼できなくなるため AIがすべてのデータを公開するため AIがすべての判断を自動で行うため None 44. AIガバナンスにおける「データの正確性」を確保するために必要な取り組みは何ですか？ AIがすべてのデータを削除すること AIがすべてのデータを無視すること AIがすべてのデータを自動で生成すること データ収集の段階から正確で信頼性の高いデータを使用し、定期的に更新・検証すること None 45. AIサービス提供契約における「データの保存期間」はどのように決定されますか？ 法律で決定される 委託者の判断で決定される 契約によって明示的に定められる サービス提供者が一方的に決定する None 46. AIサービス提供契約において「利用停止権」がサービス提供者に認められる場合、その行使条件として適切なものは何ですか？ サービスが委託者に必要ないと判断された場合 委託者が契約条件に違反した場合 サービス提供者が他の契約を優先したい場合 サービスの更新が必要な場合 None 47. データ拡張が必要となる理由は何ですか？ 訓練データのサイズが非常に小さい場合 モデルの複雑さを増やすため 推論時の計算コストを減らすため 学習率を下げるため None 48. グローバルな解釈性とは何ですか？ モデル全体の動作やパラメータの役割を説明する手法 特定のデータポイントに対する解釈を行う手法 データのクレンジングを行う手法 モデルの速度を評価する手法 None 49. モデルの軽量化における「ディープラーニングアクセラレーションチップ」の利点は何ですか？ 専用ハードウェアにより計算効率を大幅に向上させることができる モデルの学習時間を長くする モデルの精度を向上させるために必要 モデルのサイズを増やす None 50. オートエンコーダの再構成誤差（Reconstruction Error）とは何ですか？ 元のデータと再構成されたデータとの差 学習中の重みの変化量 次元削減後のデータの大きさ 活性化関数の値の変化 None 51. AIサービス提供契約で、委託者が提供するデータに対するセキュリティ対策を契約に盛り込む際に考慮すべき重要な要素は何ですか？ データの暗号化、アクセス制限、バックアップの実施 サービス提供者が自由にデータを処理できるようにする データの公開 データの削除を促進する None 52. ニューラルネットワークの学習において使用される「勾配降下法」とは何を指しますか？ 最適化問題で勾配を最大化する手法 損失関数を最小化するための反復的な手法 モデルのパラメータを固定する手法 損失関数を最小化するための確率的手法のみを指す None 53. 「標準化」とは何を意味し、その主な目的は何ですか？ データを全て正の値に変換する データの分布を正規分布に変換する データを平均0、標準偏差1に変換する データの外れ値を削除する None 54. データの前処理において「正規化」が重要となる理由は何ですか？ データをランダムに並び替えるため 特徴量のスケールが異なる場合、モデルが学習しやすくなるため データの次元を減らすため モデルのパラメータ数を減らすため None 55. データの収集において「データプライバシー法（例: GDPR）」に従わない場合のリスクは何ですか？ データの質が低下する 法的な制裁を受ける可能性がある モデルの精度が低下する データ量が減少する None 56. モデルの解釈性が求められる理由として最も適切なものはどれですか？ モデルのトレーニング時間を短縮するため モデルの予測に対する信頼性を向上させるため モデルのパラメータを増やすため モデルの計算速度を上げるため None 57. AIガバナンスにおける「監視体制の強化」が重要視される理由は何ですか？ AIがすべての判断を無視するため AIシステムが誤作動を起こした場合に迅速に対処し、悪影響を最小限に抑えるため AIがすべてのデータを削除するため AIがすべての決定を隠すため None 58. Adamオプティマイザーの特徴として正しいものはどれですか？ 学習率が固定である 逐次的にデータを学習する 交差エントロピー損失に特化している 勾配のモーメントを利用する None 59. データ分析における「ヒストグラム」は何を示すものですか？ データの欠損値を示す データの正規化を行う手法 データの標準化を示す データの分布を可視化し、各範囲内のデータ数を示す None 60. AIモデルの評価指標として「回帰モデル」において用いられる指標はどれですか？ 精度（Accuracy） 再現率（Recall） 平均二乗誤差（MSE） 混同行列（Confusion Matrix） None 61. モデル軽量化の技術として「エッジAI」とは何ですか？ クラウド上で大規模モデルを実行する技術 モバイルデバイスやエッジデバイス上で軽量化されたAIモデルを実行する技術 モデルのトレーニングを高速化する技術 モデルのパラメータ数を増やす技術 None 62. オートエンコーダのアーキテクチャには、次のどの層が含まれますか？ 畳み込み層とプーリング層 入力層と出力層のみ エンコーダ層とデコーダ層 隠れ層のみ None 63. 「相関係数」の範囲はどれですか？ 0から1まで -1から1まで 0から無限大まで -無限大から無限大まで None 64. オートエンコーダの主な目的は何ですか？ 画像生成 次元削減と特徴抽出 データの分類 出力層の誤差を減らす None 65. 「データのスケーリング」を行わないと発生する問題は何ですか？ モデルの学習が収束しない可能性がある モデルの複雑さが増す データが削除される モデルのパラメータ数が増える None 66. 「安全性」がAIシステムにおいて重要視される理由は何ですか？ AIがすべての危険を無視するため AIがすべての作業を自動で行うため AIがデータをすべて削除するため AIが予測不能な行動を取ると、深刻な事故や問題を引き起こす可能性があるため None 67. 「Adamオプティマイザー」がRMSPropに比べて有利な点として最も適切なものはどれですか？ 一次モーメントと二次モーメントの両方を利用している 学習率が自動的に減少する バッチサイズの選択が不要である 勾配消失問題を完全に解決する None 68. LIME（Local Interpretable Model-agnostic Explanations）とは何ですか？ モデル全体の挙動を理解するための手法 特定の予測に対してローカルに解釈を提供する手法 モデルのトレーニングを最適化する手法 データの前処理を行う手法 None 69. 「ホワイトボックスモデル」とは何ですか？ 解釈が可能な透明なモデル 非常に複雑なモデル 計算速度が速いモデル データセットの前処理を行うモデル None 70. モデルの軽量化の手法として「プルーニング（Pruning）」とは何ですか？ 不必要なパラメータやニューロンを削除する手法 モデルの構造を複雑化する手法 データセットを増やす手法 学習率を変更する手法 None 71. AIガバナンスにおける「倫理的デザイン」とは何ですか？ AIがすべてのデザインを無視すること AIがすべてのデザインを自動で行うこと AIがすべてのデータを削除すること AIシステムが開発段階から社会的・倫理的な影響を考慮して設計されること None 72. デノイジングオートエンコーダの訓練過程において、入力データにノイズを加える目的は何ですか？ データの正規化 勾配爆発を防ぐため モデルのロバスト性を向上させるため ノイズの影響を強調するため None 73. 勾配降下法の目的は何ですか？ モデルの精度を向上させること 損失関数を最小化すること 学習率を調整すること 特徴量を選択すること None 74. AIプロジェクトでデータ収集を行う際に重要なことは何ですか？ データ量が多ければよい データの質と目的に合った適切な収集が行われていること データの前処理を行う前にすべてのデータを削除すること モデルの選定を先に行うこと None 75. AIガバナンスにおける「国際協力」が必要とされる主な理由はどれですか。 各国の技術開発競争を促進するため 世界共通の倫理基準を策定するため AI技術の進化を遅らせるため 特定の国におけるAIの独占を助長するため None 76. AIガバナンスにおいて「社会的責任」が強調される理由は何ですか？ AIがすべてのデータを公開するため AIがすべての決定を隠すため AIがすべてのデータを削除するため AIシステムが社会に対して悪影響を及ぼした場合、その影響を最小限に抑える責任があるため None 77. モデル軽量化を行う際に「モデル圧縮ライブラリ」が使用される理由は何ですか？ モデルの圧縮や量子化、プルーニングを容易に行うため モデルの学習データを増加させるため モデルの精度を低下させるため モデルのトレーニング時間を延長するため None 78. AIサービス提供契約において、「契約の解除条件」はどのように定められますか？ 法律で一律に定められている サービス提供者が一方的に決定する 契約で明示的に取り決められる 委託者が自由に決定する None 79. AIシステムの意思決定プロセスにおける説明可能性を確保する際、技術的に不適切な手段はどれですか。 システムのアルゴリズムを可視化する データ入力と出力の関係を解析する ユーザー向けに判断理由を簡潔に説明する 開発者がアルゴリズムを秘匿する None 80. 「適応学習率（Adaptive Learning Rate）」を利用する最適化手法の主な目的は何ですか？ 勾配の計算を簡略化するため 層ごとの学習率を均一化するため 各パラメータごとに適切な学習率を設定し、収束を効率化するため 学習率を一貫して一定に保つため None 81. AIガバナンスにおいて、アルゴリズムのバイアスを防ぐための適切な方法を1つ選んでください。 データセットの多様性を確保する アルゴリズムの複雑性を高める AIシステムを全自動で運用する データ分析を省略する None 82. モデルの軽量化を行う主な目的は何ですか？ モデルの精度を向上させるため モデルの計算リソースを削減し、実行速度を向上させるため モデルをより複雑にするため モデルのトレーニングデータを増やすため None 83. RPROP（Resilient Backpropagation）の特徴は何ですか？ 勾配を使用して更新を行う バッチ学習の方法を使用する 各重みに対して固定の学習率を使用する 更新の大きさを勾配の符号に基づいて調整する None 84. 「異常検知モデル」において、データの分布が重要である理由は何ですか？ モデルのトレーニング時間を短縮するため 正常なデータと異常なデータの分布が異なるため、異常の検出が可能になる データのラベリングを行うため データのバイアスを減らすため None 85. 最適化手法の一つとして「AdaGrad」が持つ特徴は何ですか？ 各パラメータに対して固定された学習率を使用する 学習率を各パラメータの過去の勾配の合計に基づいて調整する パラメータの更新を行わない モーメンタムを使用しない None 86. オートエンコーダはどのようなタイプのニューラルネットワークですか？ 教師あり学習モデル 強化学習モデル 自己教師あり学習モデル 無教師あり学習モデル None 87. 「スパースニューラルネットワーク」とは何を指しますか？ 不要な結合やパラメータが削除されたネットワーク すべてのパラメータが等しく重要なネットワーク 低精度の計算を行うネットワーク エッジデバイスでのみ動作するネットワーク None 88. データ分析における「特徴量エンジニアリング」の目的は何ですか？ データを削除すること データを統計的に分析すること データの欠損値を補完すること モデルの性能を向上させるために、新しい特徴量を生成・選択すること None 89. 「ローカルな解釈性」とは何ですか？ モデル全体を理解する手法 個別の予測や判断に対して解釈を行う手法 データの前処理を行う手法 モデルの訓練方法を説明する手法 None 90. AIプロジェクトで「異常検知」を行う際、時系列データを使用する場合に最も重要な前処理はどれですか？ データを匿名化する 欠損値の処理とデータのスムージング 特徴量の作成とデータの拡張 データを正規分布に変換する None 91. AI開発委託契約における「リスク分担」とは、どのような内容を指しますか？ 委託者が全てのリスクを負うこと 開発に関わる費用や責任を、開発者と委託者で事前に明確に分け合うこと 開発者が全てのリスクを負うこと リスクに関して取り決めは行わないこと None 92. AI倫理において「国際協力」が求められる理由として適切なものを1つ選んでください。 各国の競争を促進するため 世界共通の基準を確立し、AI技術の公平な利用を促進するため AI技術を完全に規制するため 特定の国がAI技術を独占できるようにするため None 93. AIサービス提供契約において、提供者が利用者の機密情報を守るために課せられる「秘密保持義務」の内容として適切なのはどれですか？ 契約期間中のみ機密情報を保護する 提供者が自らの判断で情報を開示できる権利を持つ 機密情報を第三者に開示しないこと、および契約終了後も一定期間保護する 契約終了後にすべての情報を公開する None 94. データの「オーバーフィッティング」を防ぐために使用される一般的な手法はどれですか？ データ拡張や正則化 モデルのサイズを増やす データの一部を削除する モデルのパラメータを無作為に設定する None 95. オンザフライデータ拡張（On-the-fly Data Augmentation）とは何ですか？ モデルのトレーニング中にリアルタイムでデータを拡張する手法 事前に拡張データを生成してから訓練する手法 トレーニングデータを無視してモデルを学習する手法 拡張データのラベルを変更する手法 None 96. AI開発委託契約において「成果物の品質保証期間」は通常どのように設定されますか？ 成果物の引渡し後、契約で定めた期間 成果物の引渡し後、無期限 成果物の引渡し前にのみ適用される 法律で自動的に定められる None 97. AI開発委託契約における「納期遅延」の場合、開発者に課される可能性がある罰則は何ですか？ 遅延損害金の支払い 委託者への特許権の譲渡 契約の延長 成果物の無料提供 None 98. AIサービス提供契約で「不可抗力条項」が意味するものは何ですか？ サービス提供者が契約を自由に解除できる条件 委託者が無条件で契約を解約できる条項 サービスの料金を変更できる条件 予測不可能な事態により契約の履行が不可能になる場合の免責条項 None 99. AI開発委託契約で「成果物のエラーやバグが発見された場合」に、受託者に求められる対応として適切なのはどれですか？ 委託者が独自にエラーを修正する 受託者が無償で修正し、再納品する 成果物をそのまま使用する エラーが発生しても責任を問わない None 100. 「データ拡張（Data Augmentation）」がAIモデルの学習に有効な理由は何ですか？ 学習データを仮想的に増やし、モデルの汎化性能を向上させるため データを削除して学習時間を短縮するため データを無作為に分割して学習するため モデルの過学習を促進するため None 101. ディープラーニングモデルにおいて「ヒートマップ」が解釈性向上のために使われる場面として適切なのはどれですか？ テキスト生成タスク 画像認識タスク 時系列データ解析タスク 数値回帰タスク None 102. 「ポアソン分布」の適用範囲として最も適切なのはどの状況ですか？ 連続データの分布をモデル化する場合 多変量データを分析する場合 データのばらつきを最小化する場合 一定の時間内に発生する稀なイベントの発生回数をモデル化する場合 None 103. 「データバランシング」の主な目的として最も適切なのはどれですか？ データを均等に分割するため クラス不均衡の影響を軽減し、モデルの公平性を向上させるため 特徴量間の相関を削除するため トレーニングデータを増加させるため None 104. AIにおいてデータの「ラベリング」とは何を指しますか？ データを削除すること データを無作為に分割すること データの次元を増やすこと データに対して正解を付けること None 105. データ拡張において、ランダムクロッピング（Random Cropping）は何を行いますか？ 画像全体を小さくする 画像の一部を拡大する 画像の一部をランダムに切り取る 画像を水平反転する None 106. AIサービス提供契約において、一般的に委託者の責任として含まれる事項は何ですか？ AIシステムのアルゴリズムの更新 サービス提供に必要なデータの提供と使用許諾 AIモデルの改善 サービスの独占使用権 None 107. モデル軽量化の手法として「ディープコンプレッション（Deep Compression）」に含まれる3つの主要なステップはどれですか？ 量子化、プルーニング、エンコード プルーニング、正規化、アクティベーション 量子化、逆伝播、勾配消失 エンコード、デコーディング、正則化 None 108. 「共分散」とは何ですか？ 2つのデータセット間の線形関係を示す指標 1つのデータセット内のばらつきを示す指標 データの最小値と最大値の差 2つのデータセット間の非線形関係を示す指標 None 109. AIにおける「確率分布」とは何を意味しますか？ データの変動範囲を示すもの ある変数が特定の値をとる確率を表す関数 データの分散を求めるための手法 AIモデルのトレーニングに使用されるアルゴリズム None 110. VAEが新しいデータを生成できる理由は何ですか？ 正規分布に基づくサンプリングが行われるから ランダムなノイズが常に入力されるから 潜在変数が固定されているから モデルが過学習を避けるため None 111. モデルの軽量化手法として「低ランク近似」を用いる場合の主な目的は何ですか？ モデルの精度を向上させる データセットを小さくする モデルのパラメータを減少させ、効率化を図る モデルの学習時間を増やす None 112. AIにおける「アルゴリズムのバイアス」を取り除くために重要な取り組みは何ですか？ AIのアルゴリズムを全て削除する AIが全てのアルゴリズムを無視すること データの多様性を確保し、アルゴリズムのトレーニング段階でのバイアス除去のための監視と修正を行うこと AIが全てのデータを無視すること None 113. 主成分分析（PCA）の主な目的は次のうちどれですか？ モデルの精度を向上させる データの次元を削減し、情報を効率的に保持する 特徴量間の相関関係を削除する データを標準化する None 114. データ拡張を使っても汎化性能が向上しない可能性がある場合は、どのような状況ですか？ 元のデータが非常に大規模で多様性がある場合 学習率が高すぎる場合 正則化が適切に行われていない場合 モデルが適切に訓練されていない場合 None 115. 「ロジスティック回帰」における目的変数は何ですか？ 連続値 カテゴリカルデータ（0または1などの二値データ） 離散値 多次元データ None 116. AIガバナンスにおいて「説明可能性」が必要とされる理由は何ですか？ AIが自動で全ての決定を行うため AIがすべての判断を自動で行うため AIの決定を人間が理解できる形で説明できる必要があるため AIが全てのデータを無視するため None 117. AI開発委託契約で、開発中に新たな技術やノウハウが発見された場合、それらの知的財産権の取り扱いを決めるために契約に盛り込むべき内容は何ですか？ すべての新技術は受託者に帰属する 新技術の利用を全面的に禁止する 委託者が無条件で新技術を利用する権利を持つ 新技術の権利を双方で共有するか、利用範囲を明確に定める None 118. AIサービス提供契約において、委託者がサービスに対する独占的な使用権を持つ場合、どのようなリスクが伴いますか？ 他の企業が同様のサービスを使用できなくなる サービス提供者がサービスの改良や更新に制限を受ける可能性 サービスの利用料金が引き下げられる サービスの稼働率が上がる None 119. AIガバナンスにおける「持続可能性」が考慮される理由は何ですか？ AI技術が長期的に社会に良い影響を与え続け、環境への悪影響を最小限に抑えるため AIがすべてのデータを削除するため AIがすべての判断を自動で行うため AIがすべてのリソースを無視するため None 120. AIサービス提供契約における「秘密保持義務」はどのような情報に適用されるべきですか？ 双方が機密と認めた情報にのみ適用される すべての情報に適用される 委託者が提供したデータにのみ適用される サービス提供者の技術にのみ適用される None 121. AI技術の「社会的責任」とは何を指しますか？ AIが全ての責任を無視すること AIが全てのデータを削除すること AIが全ての責任を自動で負うこと AIを開発・運用する企業や個人が、AIの利用が社会に及ぼす影響について責任を持つこと None 122. AIサービス提供契約で「知的財産権の共有」を設定する場合、注意すべき点は何ですか？ 知的財産権の行使に関する使用範囲や制限を明確にする必要がある 知的財産権は常に委託者に帰属させる必要がある 契約において知的財産権に言及する必要はない 知的財産権は一方的に譲渡される None 123. 「尤度関数」とは何ですか？ あるモデルがデータをどの程度よく説明しているかを示す指標 モデルの分散を最小化する関数 データを標準化するための関数 データのばらつきを示す指標 None 124. データの特徴量を増やすことがモデル性能を向上させる場合、最も適切なアプローチはどれですか？ 無関係な特徴量を追加する すべての特徴量を削除してランダムな値を使用する データをそのまま使用する 既存の特徴量を組み合わせて新しい特徴を生成する None 125. AI技術において「説明責任」が不可欠である理由は何ですか？ AIが全ての説明を無視するため AIが下した決定に対して人間が責任を持ち、その結果を説明する必要があるため AIが自動で全ての決定を行うため AIがすべてのデータを削除するため None 126. データ拡張による汎化性能の向上は、どのような理論に基づいていますか？ モデルの複雑さを増やす理論 モデルの学習率を下げる理論 訓練データをランダム化することで、モデルがより多様な特徴を学習できるという理論 勾配消失を防ぐ理論 None 127. AIガバナンスにおける「リスク管理」の重要性は何ですか？ AIがすべてのリスクを無視すること AIが全てのデータを削除すること AIがすべてのリスクを自動で処理するため AIシステムが社会や個人に与えるリスクを特定し、適切な対策を講じるため None 128. AI開発委託契約において、「追加開発」が必要になった場合の取り決めとして適切なのはどれですか？ 開発者が無償で対応する 委託者が新たな契約を交わして費用を負担する 双方で調整せずに追加作業を進める 委託者が自ら追加開発を行う None 129. データ収集において「ストリーミングデータ」とはどのようなデータを指しますか？ 一度に収集される固定量のデータ 定期的に更新される静的データ 時間とともに連続して生成されるデータ 匿名化されたデータ None 130. データ拡張はどのようなタイプの学習において効果的ですか？ 無教師あり学習 教師あり学習 強化学習 深層強化学習 None 131. AIガバナンスにおける「説明責任」とは何を指しますか？ AIが下した決定に対して、開発者や運用者が責任を持ち、そのプロセスを説明できる必要があるため AIがすべての決定を自動で行うため AIがすべてのデータを削除するため AIがすべての作業を監視するため None 132. 「ラプラス変換」は、AIでどのように利用されますか？ データを標準化するため 微分方程式を解く際に使用されるため、特に制御理論や信号処理で活用される データの次元を削減するため データのばらつきを減らすため None 133. データの「正規化」とは何を目的とした処理ですか？ データを無作為に選択すること データをランダムに削除すること データの範囲を揃え、学習の効率を向上させること データの次元を増やすこと None 134. モデル軽量化において「層間結合の削減」を行う理由は何ですか？ モデルのパラメータ数を削減し、計算コストを減らすため モデルの精度を向上させるため データセットを圧縮するため モデルのトレーニング時間を増加させるため None 135. データのバイアスとは何を指しますか？ 特定の傾向に偏ったデータ データの欠損を意味する データ量が多すぎること データの正規化が不十分なこと None 136. スパースオートエンコーダが入力データに対して「スパースな表現」を学習する目的は何ですか？ 潜在変数の次元数を増やすため エンコーダとデコーダの計算量を削減するため 再構成誤差をゼロにするため 必要最小限の特徴のみを学習することで、ノイズや冗長性を排除するため None 137. AI技術の使用において「透明性」が求められる理由は何ですか？ AIがすべての決定を公開するため AIがどのようにして決定を下しているのかがわからないと、結果の正当性や信頼性が失われるため AIが全てのデータを隠すため AIがすべての判断を自動で行うため None 138. モデル解釈性を考慮したAIシステムの設計において、「倫理的意思決定」を補助するために重要となる要素はどれですか？ モデルの処理速度 モデルの予測精度 モデルの説明可能性 モデルのパラメータ数 None 139. AI技術における「倫理的影響」を監視するために必要なメカニズムは何ですか？ AIがすべての倫理的影響を無視すること AIがすべてのデータを自動で削除すること 独立した倫理委員会を設置し、AIの使用が社会や個人に与える影響を定期的に監視すること AIが全ての倫理的影響を自動で報告すること None 140. モデルの軽量化手法として「パラメータ圧縮（Parameter Compression）」の目的は何ですか？ モデルのパラメータ数を減少させ、メモリ使用量を削減する モデルの学習率を最適化する モデルの精度を低下させる モデルのトレーニングデータを圧縮する None 141. 「アクティブラーニング」とはどのような手法ですか？ 全データに対して一度にラベリングを行う手法 ラベル付きデータを削除して学習する手法 データの次元を削減する手法 モデルが自動的に学習データを選んでラベル付けを行う手法 None 142. モデル解釈性の評価に使われる指標として正しいものはどれですか？ 混同行列 精度（Accuracy） 説明可能性（Explainability） AUC None 143. 「平均」とは何を表しますか？ データの最大値 データの全体を均等に分布させた場合の中心値 データのばらつきを表す指標 データの最小値 None 144. モーメンタム法の主な利点は何ですか？ 局所最適解に陥るリスクを減少させること 計算を簡素化すること 学習率を固定すること 各イテレーションで新しいサンプルを使用すること None 145. AI倫理における「公正性」と「平等性」の違いとして適切なのはどれですか？ 公正性は個別の状況に応じた扱い、平等性は全ての人を同じように扱うこと 公正性は全ての人に同じ結果を提供すること、平等性は全ての人に異なる結果を提供すること 公正性は特定のグループを優遇すること、平等性は全ての人を無視すること 公正性は全ての人に同じ結果を提供すること、平等性は特定のグループを優遇すること None 146. AIサービス提供契約における「データの取り扱い」に関する条項で、委託者が提供したデータに対してサービス提供者が負うべき義務はどれですか？ データの保護とセキュリティ確保 データの無期限使用権 データの所有権の譲渡 データの公開 None 147. モデルの解釈性が低い場合、実運用で直面するリスクとして最も適切なのはどれですか？ モデルのトレーニングが早く終わる モデルのパフォーマンスが向上する モデルの設計が単純化される モデルの判断が誤解され、信頼性が低下する None 148. AI開発委託契約における「成果物の瑕疵担保責任」の期間延長を求める際、委託者が行うべき対応は何ですか？ 開発者に一方的に延長を求める 法律で定められた期間に従う 延長を求めずに自ら修正する 開発者との合意の上で、契約書を修正する None 149. AI開発委託契約で成果物の納期が遅れた場合の対応として、委託者が契約解除を選択できる条件は何ですか？ 委託者の判断で自由に解除できる 契約で明示的に解除条件が定められている場合 納期に関係なく契約を解除できる 納品後に解除を選択できる None 150. モデルの解釈性が低い場合、どのようなリスクが生じますか？ 訓練データが増える モデルのパフォーマンスが向上する モデルの予測結果を信頼できなくなる 学習率が下がる None 151. AI開発委託契約において、進捗報告を義務付けることの目的は何ですか？ 開発の進行状況を把握し、問題発生時に早期対応できるようにするため 開発者の能力を評価するため 契約の終了を早めるため 委託者が開発者を監視するため None 152. AI開発委託契約において、知的財産権に関連する紛争が発生した場合の対応策として、契約に盛り込むべき内容は何ですか？ 委託者が全ての責任を負うことを定める 開発者が全ての責任を負うことを定める 知的財産権に関する取り決めは行わない 知的財産権に関する責任の所在と、紛争解決の手順を明記する None 153. オートエンコーダにおいて、潜在変数（Latent Variables）が重要とされる理由は何ですか？ 再構成誤差を最小化するために直接利用されるため 高次元データを圧縮して重要な特徴を抽出するため デコーダの構造を単純化するため 入力データのラベルを付けるため None 154. 最適化手法における「早期停止」とは何ですか？ 訓練データの量を減らすこと モデルのトレーニングを早めに停止すること 学習率を低下させること バッチサイズを変更すること None 155. AI開発委託契約において、開発中に新たに発見された技術やノウハウの知的財産権の取り扱いをどうするかは、どのように取り決めるべきですか？ 契約に基づき事前に取り決めておく必要がある 開発者が自動的に所有する 委託者が自動的に所有する 契約とは関係なく開発者が自由に利用できる None 156. モデルの軽量化に関連する「ハフマン符号化」とは何ですか？ モデルの精度を高めるための手法 モデルのパラメータを圧縮するための手法 モデルのデータセットを増やすための手法 モデルの計算速度を低下させる手法 None 157. 「プライバシーの保護」がAI倫理において重要な理由は何ですか？ AIが全てのデータを公開するため AIが個人のプライバシーを侵害しないようにするため AIが全てのプライバシーを削除するため AIが個人の情報を勝手に変更するため None 158. AIサービス提供契約において、委託者がサービスを利用する上で負うべき責任は何ですか？ サービスの利用に関する法的遵守とデータ提供の責任 サービス提供者の技術サポートを受ける義務 サービス提供者の知的財産権の譲渡 サービスの開発を支援する責任 None 159. LIMEを使用する際に考慮すべき重要な点は何ですか？ モデル全体を再訓練する必要がある モデルのパラメータを大幅に削減する モデルのローカルな部分での挙動を解釈するための手法であるため、グローバルな解釈には適さない 学習率を大幅に低下させる None 160. モデル解釈性を向上させるための代表的な手法の一つとして「注意機構（Attention Mechanism）」があるが、その主な目的は何ですか？ モデルの計算速度を向上させる モデルがどの特徴に注目しているかを明示する モデルのパラメータを削減する モデルの正則化を行う None Time's up
