
【G検定対策】シラバス2024年版 模擬問題6
章末の「ご利用にあたって」を読んでからご利用ください。
模擬問題として160問120分を意識して出題問題をランダムにしております。気持ち時事枠(法律・倫理含む)増量しました。
解答解説は最後にPDF添付しています。
作成は2025/5/5です。
模擬問題 160問 120分
Q1. 2024年5月にOpenAIが発表した「GPT-4o」の特徴として最も適切なものはどれか?
① オンライン学習に対応したLSTMベースモデル
② マルチモーダル対応で音声・画像・テキストを統合処理可能
③ 言語翻訳特化型の軽量モデル
④ デバイスローカルでのみ動作するオフラインモデル
Q2. TransformerにおいてDecoderが持つMasked Self-Attentionの主な役割はどれか?
① 入力系列全体を同時に見る
② 出力系列の未来の情報を隠すことで因果関係を保つ
③ モデルのサイズを削減する
④ 訓練速度を向上させる
Q3. ディープラーニングの訓練において「Early Stopping」を導入する主な目的はどれか?
① 訓練データを増加させる
② 検証誤差が悪化し始める前に学習を打ち切ることで過学習を防ぐ
③ 損失関数の定義を簡略化する
④ エポック数の最大値を固定する
Q4. Grad-CAMの主な用途として正しいものはどれか?
① 畳み込み層のフィルタ数を動的に調整する
② モデルの判断根拠となる領域を視覚的に示す
③ 出力層の重みを再学習する
④ プーリング操作を可視化する
Q5. AI倫理における「説明可能性(Explainability)」が重要とされる理由はどれか?
① モデルの損失関数の最適化が促進されるから
② モデルが出した結果の根拠を人間が理解・検証できるようにするため
③ モデルの速度が向上するから
④ モデルのサイズを削減できるから
Q6. Diffusion Modelの生成過程における最大の特徴はどれか?
① 潜在空間におけるクラスタリング
② ランダムノイズから徐々にデータを復元していく
③ クラスラベルによる教師あり訓練
④ 自己符号化器による圧縮と復元
Q7. Vision TransformerがCNNと比較して優れている点として正しいものはどれか?
① 空間的階層構造を持たず情報を並列に処理できる
② パラメータ数が常に少ない
③ プーリング層を複数活用できる
④ 時系列データへの応用に強い
Q8. AIガバナンスの視点で求められる「透明性(Transparency)」とはどのような概念か?
① モデル構造をブラックボックス化すること
② 出力結果だけを公開すること
③ AIシステムの仕組みや判断過程を外部から検証可能にすること
④ データの暗号化を義務付けること
Q9. LLMの微調整技術「RLHF」のプロセスで人間の役割として正しいものはどれか?
① モデル出力を一意に分類する
② モデルの損失関数を記述する
③ モデル出力の良し悪しを人間が評価し報酬関数に反映する
④ 活性化関数を設計する
Q10. 多層ニューラルネットワークにおいて層を深くすると得られる主な利点はどれか?
① 損失関数の設計が容易になる
② 学習率の最適化が不要になる
③ 抽象度の高い特徴を段階的に学習できる
④ 勾配消失が完全に回避される
Q11. 画像認識におけるセマンティックセグメンテーションとインスタンスセグメンテーションの違いとして適切なのはどれか?
① セマンティックは全画素を個体別に識別する
② インスタンスは物体の有無のみを検出する
③ インスタンスは同じクラス内でも個体ごとに識別する
④ セマンティックは位置情報を無視する
Q12. 法制度において「仮名加工情報」と「匿名加工情報」の違いとして正しいものはどれか?
① 匿名加工情報は元の情報主体が特定可能
② 仮名加工情報は他の情報と照合されることで個人識別が可能
③ 匿名加工情報は原則として社内利用限定
④ 仮名加工情報は第三者提供が原則自由
Q13. Transformerの自己注意(Self-Attention)機構が持つ主な利点はどれか?
① 層ごとにパラメータを共有できる
② 局所的な特徴のみに集中できる
③ 長期依存関係を並列処理で効率的に学習できる
④ 活性化関数を削減できる
Q14. Deep Learningモデルにおける「過学習」が発生する典型的な条件はどれか?
① モデルが非常に単純である
② テストデータの精度が高い
③ 訓練データへの適合が進みすぎ、汎化性能が低下する
④ モデルの更新が行われない
Q15. バイアスの例として適切なのはどれか?
① モデルが女性より男性を優先的に高評価する履歴書選考
② モデルの損失関数が収束しない
③ 出力がすべて同じクラスになる
④ ハイパーパラメータの設定ミス
Q16. 学習済みモデルに新しいタスクを追加する際、事前学習重みを流用しつつ一部だけ学習する手法はどれか?
① Fine-tuning
② Dropout
③ Data Augmentation
④ Early Stopping
Q17. AI倫理において「公平性(Fairness)」の技術的課題の例はどれか?
① モデルのパラメータ数を削減する
② 出力のばらつきが常に一定である
③ 特定の属性グループで誤分類率が著しく異なる
④ データ数が多い属性に対して常に高精度になる
Q18. モデルが訓練データに完全に適合しすぎると発生しやすい問題はどれか?
① モデルの正則化効果が高まる
② テストデータに対して精度が低下する
③ モデルの学習が加速する
④ ハイパーパラメータの調整が不要になる
Q19. Explainable AI(XAI)において「SHAP値」が示すものはどれか?
① 層ごとの活性化の大きさ
② モデル全体の予測精度
③ 各特徴量が予測に与えた貢献度の定量評価
④ モデルの過学習度合い
Q20. ディープラーニングモデルの訓練において、学習率を徐々に下げるスケジューリングの目的はどれか?
① 活性化関数を変更するため
② 初期段階で大まかな探索、後半で収束を促すため
③ モデルサイズを削減するため
④ バッチサイズの変更を避けるため
Q21. Explainable AIの代表的手法「LIME」の特徴として正しいものはどれか?
① 層の重みを確率的に再初期化する
② 入力データを局所的に摂動し、モデルの出力変化をもとに説明を構成する
③ モデルの全パラメータを可視化する
④ バッチ正規化によって勾配消失を防ぐ
Q22. 学習率を固定せず、学習過程に応じて変化させる手法の利点として最も適切なものはどれか?
① 勾配の符号を反転できる
② 局所最適解に留まることを防ぎつつ収束を安定させる
③ モデルサイズの圧縮が可能になる
④ クラス分類性能が上がる
Q23. Deep Learningの最適化手法「Adam」の特徴はどれか?
① バッチごとに異なる損失関数を用いる
② 学習率のスケジューリングと正則化を同時に行う
③ モーメンタムと学習率の調整を組み合わせている
④ 重みの初期値をランダムに変更し続ける
Q24. バッチ正規化(Batch Normalization)が学習に与える効果として正しいものはどれか?
① 勾配の計算を不要にする
② 各バッチの出力を正規化して学習の安定性を高める
③ 損失関数を単純化する
④ モデルの層構造を自動決定する
Q25. 日本におけるAI関連法制度の整備状況として正しいものはどれか?
① 生成AI規制は既に刑法に盛り込まれている
② AI技術に関する包括的な専用法は現時点では存在しない
③ 自動運転に限り、AI倫理指針が法的拘束力を持つ
④ AIモデルはすべてG検定の登録が必要とされる
Q26. ディープフェイク技術の社会的影響として特に重要視される課題はどれか?
① 音声信号処理の非効率性
② フェイクメディアによる誤情報の拡散と社会的信頼の低下
③ 画像分類精度のばらつき
④ 通信遅延による出力誤差
Q27. データリーケージ(Data Leakage)が発生した際に起こる典型的な問題はどれか?
① 活性化関数が未定義になる
② モデルの評価結果が過大に見積もられる
③ バッチサイズが不安定になる
④ 学習率が0に固定される
Q28. Transformer構造において「位置エンコーディング」を導入する理由はどれか?
① 入力トークンの順序情報を補うため
② 活性化関数の種類を増やすため
③ ソフトマックスの値を正規化するため
④ Attentionスコアを削減するため
Q29. Explainable AIの技術として「Counterfactual Explanation」が目指すものはどれか?
① モデルが予測しなかった例を除外する
② 結果が異なるための最小限の変更を提示する
③ モデルの出力を確率的に補正する
④ 出力ラベルの平均を求める
Q30. 自己符号化器(AutoEncoder)による異常検知の主な仕組みはどれか?
① 入力と異なるラベルを出力することにより異常を検出
② 再構成誤差が大きい入力を異常と判定する
③ 重みの変化率を監視して異常とする
④ 入力の分布を一様に変換することで異常を除去する
Q31. 多クラス分類におけるSoftmax関数の役割として最も適切なものはどれか?
① 出力を0または1に変換する
② 入力ベクトルを活性化して正規分布に近づける
③ 各クラスへの所属確率を出力する
④ 出力をバイナリ形式に圧縮する
Q32. Vision Transformerにおける「パッチ埋め込み(Patch Embedding)」の目的はどれか?
① 入力画像をCNNで特徴マップに変換する
② 入力画像を小さなパッチに分割し、系列として扱うためベクトルに変換する
③ バッチサイズを可変にするための手法
④ 画像ノイズを除去する正則化手法
Q33. Transformerの出力に適用される「線形層(Linear Layer)」の主な役割はどれか?
① モデルの深さを固定する
② 中間特徴を出力クラスのスコアに変換する
③ 活性化関数の数を減らす
④ Attentionの正規化を行う
Q34. AI倫理の観点から「差別的出力の回避」が求められる理由として適切なのはどれか?
① モデルの構造が複雑すぎるため
② 社会的に不公正な判断を助長する恐れがあるため
③ 正則化項が不安定になるため
④ 学習率が変動するため
Q35. TransformerベースのLLMが「事前学習+微調整(Fine-tuning)」という2段階構造をとる理由はどれか?
① モデルの訓練を全てオフラインで行うため
② ハイパーパラメータの最適化を避けるため
③ 汎用的な言語能力を獲得した後、特定タスクへの適応を可能にするため
④ 自己注意機構の使用を前提としないため
Q36. AIプロジェクトにおいて「PoC(Proof of Concept)」を行う目的はどれか?
① 実運用モデルの最終設計を行うため
② 技術的実現性や仮説検証を短期間で確認するため
③ 法的なAI使用申請を行うため
④ モデルの精度を業務指標に強制適合させるため
Q37. 画像分類タスクにおける「データ拡張(Data Augmentation)」の主な目的はどれか?
① データのラベルを削除する
② モデルの出力層を正規化する
③ 学習データの多様性を高めて汎化性能を向上させる
④ 損失関数の出力を微分可能にする
Q38. SHAP(SHapley Additive exPlanations)で用いられるゲーム理論的アプローチの目的はどれか?
① モデルを教師なし学習へ転換する
② 特徴量の寄与度を公平に分配する
③ バイナリ分類の閾値を動的に設定する
④ モデルの重みをランダムに初期化する
Q39. 強化学習での「エピソード」の定義として正しいものはどれか?
① 一つの学習率設定の繰り返し回数
② 状態遷移が発生しない期間
③ 環境との相互作用が終了するまでの一連の状態・行動・報酬の流れ
④ 1バッチごとの損失関数の変動
Q40. 2024年リリースのMeta社のマルチモーダルモデル「MM1」の特徴として最も適切なものはどれか?
① 動画生成特化型の強化学習モデル
② 視覚・言語・構造情報を統合処理するマルチモーダルLLM
③ 単一タスクに特化した規則ベースモデル
④ 医用画像専用の2次元分類モデル
Q41. ディープラーニングモデルの訓練時に「ドロップアウト(Dropout)」を適用する主な目的はどれか?
① 出力層の精度を最大化するため
② モデルの勾配計算量を減らすため
③ 過学習を抑制し汎化性能を向上させるため
④ 活性化関数の計算をスキップするため
Q42. GAN(敵対的生成ネットワーク)において「モード崩壊(mode collapse)」とは何を指すか?
① 学習が全く進まない状態
② 同じような出力しか生成されなくなる現象
③ 判別器が常に正解する状態
④ 潜在変数が全て同一値になること
Q43. AIプロジェクトにおいて「KPI(重要業績評価指標)」を設定する目的として最も適切なものはどれか?
① 社内のAI担当者の数を決めるため
② 法制度の改正を予測するため
③ プロジェクト目標の達成度を定量的に測定するため
④ モデルのハイパーパラメータを自動設定するため
Q44. 法的・倫理的観点からAIが生成したコンテンツに関して最も重要視されている課題はどれか?
① コンテンツの解像度
② 生成コンテンツの責任所在と真偽判定の難しさ
③ 出力速度の最適化
④ モデルのメモリ消費量
Q45. Self-Supervised Learning(自己教師あり学習)の代表例として最も適切なものはどれか?
① K-平均法によるクラスタリング
② ラベル付けされたデータセットを用いた学習
③ テキスト中の単語をマスクして予測するBERTの学習
④ 教師データなしでランダムに学習するアルゴリズム
Q46. 機械学習における「ベイズ最適化」の主な用途として正しいものはどれか?
① 活性化関数の学習
② データのクラスタリング
③ ハイパーパラメータの自動最適化
④ 学習率の正則化
Q47. 畳み込みニューラルネットワーク(CNN)における「プーリング層」の役割はどれか?
① 入力画像の画素を増加させる
② 活性化関数の種類を変化させる
③ 特徴マップの空間サイズを縮小し計算効率を上げる
④ 出力層の次元を圧縮して分類精度を高める
Q48. AIの社会実装で「ユーザーとのインタラクション設計」が重要視される理由はどれか?
① モデルの学習速度が向上するから
② ユーザーの行動やニーズに合わせて出力を調整するため
③ モデルのサイズを削減できるから
④ 出力ラベルのバリエーションを減らせるから
Q49. Transformerアーキテクチャにおいて「スケーリング因子 √dₖ」の目的はどれか?
① 計算時間の短縮
② 内積のスケールを抑えてSoftmaxの安定性を保つため
③ 活性化関数の正規化のため
④ クラス分類への変換のため
Q50. BERTとGPTの構造的な違いとして正しいものはどれか?
① BERTは自己回帰型で、GPTはマスク型
② GPTは双方向注意を用い、BERTは一方向注意
③ BERTは入力全体を見ながらマスクされた単語を予測し、GPTは順方向に次の単語を予測する
④ 両者とも完全に同じAttention機構を使う
Q51. ディープラーニングにおいて「活性化関数ReLU」の短所として正しいものはどれか?
① 出力が常に正になる
② 入力が負の値のとき勾配が0となり学習が停止する可能性がある
③ 関数が非連続である
④ 勾配が爆発する
Q52. RLHFの学習における「報酬モデル」はどのようにして構築されるか?
① 自動的にLSTMから構成される
② 人間がモデル出力を比較評価した情報を元に構築される
③ 予測ラベルの分布に基づいて生成される
④ 誤差関数の2乗和によって定義される
Q53. データセットにおける「アノテーションの一貫性」の欠如がモデルに与える影響として適切なのはどれか?
① モデルの圧縮率が上昇する
② 学習が加速する
③ 学習された特徴量にノイズが混入し精度が低下する
④ 出力層が自動で調整される
Q54. AIガバナンスの原則として「人間中心設計」が掲げられる理由はどれか?
① 人間の感情を学習するため
② 技術的完全性を追求するため
③ AIが人の意思決定を補助するものであるべきという考えに基づく
④ システムの設計をロボットに任せるため
Q55. Explainable AI技術の一つである「Partial Dependence Plot」の主な目的はどれか?
① 特徴量が変化したときのモデル出力の平均的な影響を視覚化する
② 活性化関数の形状を確認する
③ モデル出力の確率を平滑化する
④ ノイズ除去フィルタを適用する
Q56. 画像処理における「IoU(Intersection over Union)」が高いとはどういうことを示すか?
① モデルの訓練速度が速い
② 正解と予測が広く重なっている
③ 出力画像のピクセル数が多い
④ 領域分類に不均一性がある
Q57. モデルの学習において、正則化項(L1やL2)を加える主な理由はどれか?
① モデルの活性化関数を変更するため
② 過学習を防ぎ、パラメータの過剰な更新を抑えるため
③ 学習率を固定するため
④ バッチサイズを自動決定するため
Q58. データセットに強いクラス不均衡がある場合に起こりやすい現象はどれか?
① 正則化が強化される
② 全体精度が高くても特定クラスの精度が著しく低くなる
③ 損失関数が常に一定になる
④ 勾配が計算できなくなる
Q59. 自己回帰モデルとマスク型モデルの違いとして正しいものはどれか?
① 自己回帰モデルは全単語を一度に予測する
② マスク型モデルは未来の単語しか見ない
③ 自己回帰モデルは過去の情報から逐次的に次の単語を予測する
④ マスク型モデルは教師なし学習には使えない
Q60. AI倫理の枠組みにおいて「説明責任(Accountability)」を果たす手段として最も重要なのはどれか?
① 出力ログを常に削除すること
② モデル構造の詳細を開示せずに設計者を匿名にすること
③ モデルの設計・運用記録を文書化・可視化し責任所在を明確にすること
④ 学習済み重みを暗号化して保管すること
Q61. 日本の「個人情報保護法」において2022年に導入された「仮名加工情報」の利用制限として適切なものはどれか?
① 目的外利用は禁止されていない
② 第三者提供が自由に可能
③ 情報主体本人の開示請求に応じる必要がある
④ 安全管理措置を講じる義務がある
Q62. AIの社会的受容性(Social Acceptability)に影響する要因として最も関連性が高いものはどれか?
① 活性化関数の数
② 入力データの画質
③ モデルの説明可能性や判断の公平性
④ データセットの圧縮率
Q63. 画像認識における「Residual Connection(残差接続)」の利点として正しいものはどれか?
① 活性化関数の種類を増やす
② 層を深くしても勾配消失が起こりにくくなる
③ モデルサイズを縮小する
④ 全結合層の出力を強調する
Q64. アンサンブル学習の一手法である「ブースティング」の特徴はどれか?
① 弱い学習器を逐次的に組み合わせて誤りを補正する
② 全ての学習器を並列に訓練する
③ クラスタごとに異なるモデルを用いる
④ 活性化関数を動的に変化させる
Q65. Attention機構でクエリ・キー・バリュー(Q, K, V)を使う主な理由はどれか?
① データのクラスタリングを行うため
② 文の順序情報を無視するため
③ 入力と出力の対応関係を重みとして学習するため
④ モデルの構造を単純化するため
Q66. AutoEncoderのボトルネック層(中間層)の役割として正しいものはどれか?
① 出力クラスを分類する
② 入力を再構成する活性化関数を制御する
③ 入力の特徴を圧縮・抽出する潜在表現を形成する
④ 学習率を自動調整する
Q67. 生成AIが「著作権」に関わる懸念が生じる理由として正しいものはどれか?
① 入力画像が著作権で保護されないため
② 出力が常にオリジナルであるため
③ 学習データに既存の著作物が含まれる可能性があるため
④ 生成物がランダムノイズだから
Q68. 強化学習における「エクスプロイト(Exploit)」と「エクスプロア(Explore)」のバランスが重要な理由はどれか?
① 高速な学習を目的とするから
② 報酬を安定させるために単一行動を強化するため
③ 最適な戦略を見つけるには未知の選択肢も試す必要があるため
④ 状態遷移の記録を短縮するため
Q69. 2024年発表の最新動向で、Google DeepMindが開発した「Gemini 1.5」モデルの特徴はどれか?
① 特定のデータセットのみで動作可能な軽量モデル
② 巨大なコンテキストウィンドウに対応するマルチモーダルモデル
③ 映像入力非対応の言語モデル
④ 音声のみを処理するRNNベースモデル
Q70. セマンティックセグメンテーションの評価指標として「mIoU」が用いられる理由はどれか?
① 学習時間を短縮できるため
② クラス間の類似度を比較するため
③ クラスごとのIoUを平均化することで全体の性能を公平に評価できるため
④ ノイズに対してロバスト性があるため
Q71. 活性化関数「Swish」がReLUと比較して有利とされるケースはどれか?
① 勾配が常にゼロになるとき
② 小さな入力値もなめらかに反映し、学習が安定する場合
③ バッチ正規化が不要な場合
④ 関数が離散的である場合
Q72. LLMにおける「コンテキストウィンドウ」が大きくなると期待される効果はどれか?
① モデルのサイズが減る
② 出力速度が向上する
③ より長い文脈を保持した自然な応答生成が可能になる
④ 活性化関数の変更が容易になる
Q73. データセットの「バイアス除去」のために用いられる代表的な手法はどれか?
① ハイパーパラメータの最適化
② 正則化の強化
③ データのリサンプリングや重み付けによる調整
④ 出力層のクラスタリング
Q74. ディープラーニングの訓練において「エポック(epoch)」の意味として正しいものはどれか?
① 損失関数が収束するまでの回数
② モデルの再初期化回数
③ 訓練データ全体を1度通過して学習する単位
④ テストデータに対する精度測定の頻度
Q75. 法制度の枠組みでAIにおける「トレーサビリティ」が求められる理由はどれか?
① 出力トークンの順序を固定するため
② モデルの構造を外部公開するため
③ 意思決定過程を検証可能にし、責任の所在を明確にするため
④ データ収集コストを削減するため
Q76. Explainable AI手法のうち、入力特徴量の変更による影響を可視化する代表的なものはどれか?
① LIME
② Batch Normalization
③ Early Stopping
④ Dropout
Q77. AIモデルの「フェアネス指標」として用いられるものの例として正しいものはどれか?
① モデルのサイズ
② 出力トークン数
③ 属性間の正解率の差異(Disparate Impactなど)
④ モデルの学習回数
Q78. Transformer構造における「Layer Normalization」の主な目的はどれか?
① モデル構造を再設計するため
② Attention層を削除するため
③ 層ごとの出力を正規化し学習の安定性を高めるため
④ 勾配消失を意図的に誘発するため
Q79. 畳み込みニューラルネットワークにおける「ゼロパディング」の利点はどれか?
① モデルサイズを縮小する
② 出力特徴マップのサイズを一定に保つ
③ 活性化関数を固定する
④ 正則化項を除去する
Q80. AI倫理の考え方において「AIの意思決定は常に監督可能であるべき」とする原則を何と呼ぶか?
① 説明可能性
② アカウンタビリティ
③ 監視可能性(Auditability)
④ トレーサビリティ
Q81. ディープニューラルネットワークにおける「勾配爆発」の原因として最も適切なのはどれか?
① モデルが浅すぎる
② 活性化関数が常に0を返す
③ 誤差逆伝播で勾配が層を通過するごとに指数的に大きくなる
④ ソフトマックス関数を使っていない
Q82. 「オンライン学習」の特徴として正しいものはどれか?
① 全データを一度に訓練に使う
② データの到着順に逐次モデルを更新して学習する
③ テストデータを訓練に含める
④ 活性化関数をランダムに変更する
Q83. Explainable AIにおいて「アンカーベースの説明(Anchors)」の特徴はどれか?
① 予測出力のラベルを再学習する
② 予測を変えない最小限の特徴組合せを見つける
③ モデルの訓練履歴を可視化する
④ 出力層のSoftmaxを除去する
Q84. 画像認識タスクで「転移学習」が有効な理由として最も適切なのはどれか?
① モデルの活性化関数が変更可能であるため
② 初期層が画像の一般的な特徴(エッジ・形状など)を学習しており再利用できるため
③ 全データにラベルがついているため
④ 画像サイズを自動で変更できるため
Q85. 日本におけるAI戦略の中で「Society 5.0」と関連づけられている分野として適切なものはどれか?
① 人口統計予測の精度評価
② 情報通信インフラの削減
③ 超スマート社会に向けたAI・IoT融合による社会課題の解決
④ 自動販売機の設置最適化
Q86. モデルの学習中に訓練データと検証データの精度の乖離が大きくなった場合の一般的な対策はどれか?
① 学習率を無視する
② 活性化関数を非線形に変更する
③ ドロップアウトや正則化を強化する
④ 出力層を削除する
Q87. ディープラーニングの最適化手法で「勾配クリッピング」が用いられる目的はどれか?
① モデルのサイズを圧縮するため
② 活性化関数を固定するため
③ 勾配爆発を防ぎ、学習の安定性を保つため
④ 損失関数を省略するため
Q88. 最新の生成モデル「Diffusion Transformer」の特徴はどれか?
① デコーダを持たない言語モデル
② 自己注意と拡散生成過程を統合した新構造
③ 音声合成に特化した回帰モデル
④ フィードフォワードネットワークに特化した画像分類器
Q89. モデル評価指標の「F1スコア」が特に有用となる場面はどれか?
① 多クラス分類で正解率が100%に近い場合
② 精度と再現率のバランスが重要なとき
③ モデルサイズの比較を行うとき
④ 回帰モデルの評価を行うとき
Q90. Vision Transformerでの「学習前位置埋め込み(positional encoding)」が無い場合、発生しやすい問題はどれか?
① バッチサイズが小さくなる
② 入力の位置情報が保持されず、空間構造を失う
③ 訓練データとテストデータが混同される
④ 勾配が必ず消失する
Q91. AIモデルの公平性を測るために用いられる「Equalized Odds」とは何か?
① 活性化関数の数を等しく保つこと
② 全ての入力に同じ出力を与えること
③ 属性ごとに同じ真陽性率・偽陽性率を達成すること
④ 学習率を等しく固定すること
Q92. RNN構造における「LSTM」が持つ主な改良点はどれか?
① 勾配爆発を誘導することで収束を早める
② 入力をすべて固定する
③ ゲート機構を使って長期依存関係を保持しやすくする
④ 全結合層を無効化する
Q93. 生成AIによるテキスト出力の評価で「BLEUスコア」が用いられる理由はどれか?
① モデルの圧縮率を測るため
② 出力の長さを一定にするため
③ 生成文と参照文のn-gram一致度を評価できるため
④ モデルの学習履歴を保存するため
Q94. 画像認識における「データ正規化(Normalization)」の効果として適切なものはどれか?
① 画像サイズの統一
② 入力値のスケールを統一し学習を安定化させる
③ 出力層のノイズ除去
④ 活性化関数の選択
Q95. Diffusion Modelが従来のGANと異なる設計思想を持つ点はどれか?
① 判別器を持たず、拡散と逆拡散の反復で生成を行う
② 常に同じ画像を出力する
③ クラス分類器として学習する
④ 活性化関数を使わない
Q96. LLMにおける「推論コストの削減」を目的とした技術として正しいものはどれか?
① 重み共有や量子化によるモデル軽量化
② 文法誤りの自動検出
③ 多言語処理の回避
④ 学習データのシャッフル
Q97. BERTのマスク言語モデル訓練において「マスクされたトークンの一部を元のまま残す」理由はどれか?
① 学習率を上げるため
② 学習がランダム性を持つようにし、過学習を防ぐため
③ トークンの語彙数を減らすため
④ ソフトマックスを削除するため
Q98. AI倫理における「非差別(Non-discrimination)」原則の目的はどれか?
① 出力速度を一定にする
② 属性による不当な差別を防ぎ、公平性を担保すること
③ データの再利用を促進する
④ モデルをブラックボックス化する
Q99. センサデータを使った異常検知において、RNNよりTransformerベースの手法が優れるケースがある理由はどれか?
① 再帰処理がないため長期依存関係の並列学習が可能であるため
② 入力データが常に定長であるため
③ 活性化関数を使わないため
④ LSTMの学習速度が速すぎるため
Q100. AIの「公平性」向上のために政策的に導入される可能性が高い仕組みはどれか?
① モデルの損失関数をブラックボックス化する制度
② 自動応答生成の一律禁止
③ バイアス監査や影響評価の義務化
④ アノテーション作業の外注制限
Q101. AIが医療分野に導入される際、特に求められる倫理的配慮はどれか?
① 診断結果の速度の最大化
② 予測の自動化による責任回避
③ 判断根拠の説明可能性と患者への説明責任
④ モデル構造の非公開義務
Q102. 転移学習において「ファインチューニング」と「特徴抽出」の主な違いはどれか?
① 入力形式を変更するか否か
② 出力ラベルを再定義するか否か
③ 学習済み重みを再学習するか否か
④ 活性化関数の種類を切り替えるか否か
Q103. センサデータによる時系列予測において、前処理でよく行われる手法はどれか?
① 固定ラベルの付加
② 入力系列のソート
③ 欠損値の補完とスムージング処理
④ クラスの再編成
Q104. ディープラーニングにおける「活性化関数の選択」がモデルに及ぼす影響として適切なものはどれか?
① モデル構造には無関係である
② 損失関数を定義できるようになる
③ 非線形性の導入によって表現力が向上する
④ モデルの深さを決定する
Q105. データドリフト(Data Drift)が起きた際の問題として正しいものはどれか?
① モデルのパラメータ数が増加する
② モデルの推論結果が実データに対して不正確になる
③ 学習時間が短縮される
④ テストデータに対して過学習が起こる
Q106. 画像認識タスクで「Fine-grained分類」が指すのはどのような分類か?
① 輪郭抽出による物体検出
② 物体全体の有無の識別
③ 同一クラス内でさらに細分化されたカテゴリを識別する分類
④ クラス数を減らす分類手法
Q107. RLHFの強化学習段階で用いられる「PPO(Proximal Policy Optimization)」の利点はどれか?
① 複数のモデルを比較可能にする
② 報酬関数の変更を不要にする
③ 政策の更新幅を制限し安定した学習を可能にする
④ 環境モデルの学習を高速化する
Q108. 2024年現在、EUで法制化が進むAI Actの中で「高リスクAI」に分類される例はどれか?
① 詩を自動生成するAI
② 自動運転車の制御システム
③ 音楽のジャンル分類AI
④ ゲームの敵キャラクター生成AI
Q109. Deep Learningモデルの訓練時に「バッチサイズ」を大きくした場合に一般的に起こる変化はどれか?
① モデルの学習が高速化しやすいが汎化性能が低下する可能性がある
② 学習が不安定になるが精度は高くなる
③ 小さなデータでも過学習が起きやすくなる
④ 訓練精度が常に一定になる
Q110. AIにおける「ヒューマン・イン・ザ・ループ(HITL)」とはどのようなアプローチか?
① 人間の脳波を活用して学習させる手法
② モデルの出力を人間が修正・フィードバックして改善に活かす手法
③ 入力データを人間が手書きで与える手法
④ 活性化関数を人間が毎回選ぶ手法
Q111. AIモデルが「バイアス」を持つことで起こり得る社会的影響として最も重大なものはどれか?
① 推論速度の低下
② モデルのサイズ増加
③ 不公平な判断や差別的処遇
④ 学習率の変動
Q112. Explainable AIの一つである「SHAP」において、シャプレー値の理論的根拠となっているのは何か?
① 確率論に基づくベイズ推定
② n-gramの統計的関係
③ ゲーム理論における貢献度分配原理
④ ニューラルネットワークの重みの変化量
Q113. Diffusion Modelにおける「ノイズスケジューリング」の目的はどれか?
① 入力データの画質を上げる
② 拡散過程の各ステップで適切なノイズ量を調整し、生成品質を高める
③ 計算時間を固定する
④ 活性化関数を決定する
Q114. Transformerにおける「クロスアテンション」の適用場面として最も適切なものはどれか?
① セルフアテンションの簡略化
② 自動音声認識でスペクトログラムの分解
③ エンコーダ出力とデコーダ入力を結びつけるとき
④ 出力系列のバッチ正規化
Q115. 社会実装されたAIに対して求められる「リスクベースアプローチ」の内容はどれか?
① モデルの全機能を段階的に削除する
② AI導入前に全学習履歴を開示する義務
③ AIの用途や影響に応じた適切な管理・規制を行うこと
④ クラス分類器を必ず利用すること
Q116. BERTが双方向的自己注意機構(Bidirectional Attention)を採用する主な理由はどれか?
① トークンの順序を削除できるため
② 入力文の文脈を前後両方向から理解するため
③ 計算コストを削減するため
④ クラスタリングを行いやすくするため
Q117. AIプロジェクトで「ステークホルダー」が果たすべき役割として正しいものはどれか?
① 活性化関数の設計
② モデルの学習率決定
③ 目的や制約を共有し、期待値とリスクの合意形成を行うこと
④ 出力トークン数の設定
Q118. 活性化関数「GELU(Gaussian Error Linear Unit)」が使われる主な理由はどれか?
① モデルサイズを減らすため
② 正規分布に基づいた滑らかな出力で学習を安定化させるため
③ 勾配消失を促進するため
④ 二値分類専用の関数であるため
Q119. 畳み込みニューラルネットワーク(CNN)において「1x1畳み込み」が使われる目的はどれか?
① 出力画像のサイズを縮小する
② 空間情報の抽出
③ チャネル数の変換と計算量削減
④ クラスラベルの強制変換
Q120. 生成AIにおいて「Prompt Engineering」が重要視される理由はどれか?
① モデルの訓練データを再設計するため
② 出力の質を高め、望ましい結果を得るために入力の工夫が必要だから
③ 活性化関数の選定基準となるから
④ 訓練中の損失関数として機能するから
Q121. ディープラーニングモデルの学習において「学習率ウォームアップ(Warm-up)」が有効な理由はどれか?
① 勾配の爆発を促進するため
② 初期段階で学習率を徐々に上げ、安定した学習開始を促すため
③ バッチサイズを自動調整するため
④ 活性化関数をランダムに選ぶため
Q122. セマンティックセグメンテーションにおいて「U-Net」がよく用いられる理由はどれか?
① 時系列処理に最適化されているため
② 出力層に対して分類器を不要とするため
③ Encoder-Decoder構造により高精度なピクセル単位分類が可能なため
④ 活性化関数の種類を変更できるため
Q123. データアノテーションの品質がAIモデルに与える影響として正しいものはどれか?
① 活性化関数の選択に関係する
② 精度には影響しないが速度が変化する
③ 誤ったラベルは学習にノイズを加え、性能低下の要因となる
④ 出力層の設計に関係する
Q124. 「Contrastive Learning(対照学習)」の特徴はどれか?
① 教師あり分類問題に適用される
② ラベルなしのデータにおいて、類似・非類似のペアを用いて特徴空間を学習する
③ モデルサイズの削減に特化する手法
④ モデルの出力層をクラスタ化する手法
Q125. ディープラーニングの訓練において「Early Stopping」を使用する際にモニタリングする指標として最も適切なのはどれか?
① 訓練データの精度
② 学習率の変化
③ 検証データにおける損失
④ モデルのバッチサイズ
Q126. 最新のLLMモデルが「Tool use(ツール呼び出し機能)」を搭載する目的として正しいものはどれか?
① モデルが音声を圧縮するため
② データセットの自動アノテーションのため
③ APIや計算機能と連携し、外部知識や演算を補完するため
④ 損失関数を定義しやすくするため
Q127. 活性化関数「Sigmoid」が深層モデルに不向きとされる理由はどれか?
① 出力範囲が大きすぎるため
② ゼロを中心に対称でないため
③ 勾配が飽和しやすく、学習が停滞しやすいため
④ 計算に活性化関数を使用しないため
Q128. モデルの評価指標として「ROC-AUC」が有効となるのはどのような場面か?
① 多クラス分類の精度測定
② 二値分類で閾値に依存しない性能評価をしたい場合
③ モデルのサイズを比較したい場合
④ クラスタリングの結果の可視化
Q129. Transformerモデルにおいて「Attention is all you need」と言われる理由はどれか?
① 全ての活性化関数をAttentionで置き換えるから
② シーケンス処理に畳み込みや再帰を使わずAttentionのみで処理できるため
③ 入力順序を無視しても学習できるため
④ モデルが自動で精度を調整するため
Q130. ディープラーニングの「過学習」を避けるために行う方法として最も適切なものはどれか?
① バッチサイズを常に1に固定する
② 活性化関数を複数組み合わせる
③ 正則化や検証データによる監視を行う
④ 層の数を無制限に増やす
Q131. 「Few-shot Learning」が有効とされるのはどのような状況か?
① 多数の教師データが存在する場合
② タスクに関係のないデータが混在している場合
③ 少量の学習データで新しいタスクに対応する必要がある場合
④ クラスタラベルが不明な場合
Q132. 社会実装されたAIが「説明可能性(Explainability)」を欠くことで起きる問題はどれか?
① モデルが高速化しすぎる
② 出力が常に同じになる
③ 意思決定に対する社会的信頼を損なう
④ 学習データの更新頻度が増える
Q133. BERTの訓練時に用いられる「Next Sentence Prediction(NSP)」の目的はどれか?
① 単語の順序を固定する
② モデルの計算負荷を削減する
③ 2文が連続しているか否かを予測することで文間の関係性を学習する
④ 出力層のSoftmaxを補正する
Q134. ディープラーニングモデルの評価で「Precision」と「Recall」のバランスが重視される場面はどれか?
① 多クラス分類で出力を平準化したい場合
② クラス不均衡で誤検出が大きな影響を与える場合
③ モデルの出力速度を測る場合
④ 回帰分析に適用する場合
Q135. Diffusion Modelの「逆拡散過程」における目的はどれか?
① 入力をノイズに変換する
② 正則化項を減らす
③ ノイズ状態から段階的にデータを復元する
④ 損失関数の勾配を最大化する
Q136. モデルの「ブラックボックス性」が問題視される理由はどれか?
① モデルのサイズが大きくなるため
② 出力の根拠が不明であり、判断の透明性が損なわれるため
③ 学習時間が短すぎるため
④ バッチ正規化が行えないため
Q137. LLMの推論中に使用される「温度パラメータ(temperature)」の効果はどれか?
① モデルサイズを制御する
② 出力の多様性やランダム性を調整する
③ 活性化関数を補正する
④ 誤差逆伝播を無効にする
Q138. 深層強化学習(Deep RL)の用途として適切なものはどれか?
① 音声合成モデルの訓練
② 文法誤りの検出
③ ロボット制御やゲームの戦略最適化
④ ニューラルネットワークの可視化
Q139. Vision Transformerの入力画像における「パッチ分割」の主な利点はどれか?
① 活性化関数を減らせる
② 入力画像を系列データとして処理しやすくする
③ 入力サイズを固定するため
④ 勾配消失を防ぐため
Q140. AIの公平性担保の観点から「影響評価(Impact Assessment)」を実施する目的はどれか?
① モデルの学習率を最適化するため
② 出力速度の向上を図るため
③ 社会や特定の属性集団に与える影響を事前に評価し、リスクを管理するため
④ データセットの圧縮を行うため
Q141. 多層ニューラルネットワークにおいて「勾配消失」が起きやすい条件はどれか?
① バッチサイズが小さいとき
② 活性化関数がReLUのとき
③ SigmoidやTanhなどの飽和関数を使用した深層構造のとき
④ モデルのパラメータが少ないとき
Q142. AIの公平性を担保する手段として「反実仮想的説明(Counterfactual Explanation)」が活用される理由はどれか?
① 過学習を防ぐため
② モデルが常に同じ予測を出すようにするため
③ 結果が変わる最小限の条件変化を提示し、判断の妥当性を検証するため
④ 正則化効果を高めるため
Q143. Transformerの「マルチヘッドアテンション」が持つ主な利点はどれか?
① モデルサイズを固定できる
② 層の数を減らせる
③ 様々な位置や特徴に同時に注目でき、表現力を高める
④ 計算量を大幅に削減できる
Q144. 確率的生成モデルのうち、事後分布の近似に変分推論を用いる手法はどれか?
① GAN
② AutoEncoder
③ VAE(変分オートエンコーダ)
④ LSTM
Q145. AIシステムにおいて「人的監督(Human Oversight)」が重要とされるのはなぜか?
① モデルの訓練時間を短縮できるから
② 意図しない結果や社会的に受容できない判断を抑制するため
③ 出力層のサイズを削減できるから
④ 活性化関数の選択が不要になるから
Q146. 多変量正規分布における「共分散行列」が意味するものはどれか?
① 各変数の単位を統一する行列
② 各変数の平均値を格納するベクトル
③ 変数間の線形関係の強さを示す対称行列
④ 誤差項を最小にする係数行列
Q147. AI倫理において「説明可能性」と「透明性」が異なる点はどれか?
① 説明可能性は数値評価が可能だが、透明性は不可能
② 説明可能性は結果の理解、透明性は構造・仕組みの可視性に関係する
③ どちらも同義である
④ 説明可能性は設計情報、透明性は訓練データに関する
Q148. データの前処理において「正規化(Normalization)」と「標準化(Standardization)」の違いとして正しいものはどれか?
① 正規化は分布を平均0・分散1に変換、標準化は0〜1にスケーリング
② 正規化はカテゴリ変数に使う、標準化は連続変数に使う
③ 正規化は0〜1スケーリング、標準化は平均0・分散1に変換
④ 正規化は時系列用、標準化は画像用
Q149. 次のうち、「ディープフェイク」対策として国際的に検討されている技術的手段はどれか?
① 活性化関数の強化
② 自己注意機構の削除
③ コンテンツ認証(コンテンツの出自・改変履歴の追跡)
④ L1正則化の使用
Q150. 深層学習における「レイヤー正規化(Layer Normalization)」がバッチ正規化と異なる点はどれか?
① 訓練時と推論時で処理を分ける必要がない
② 計算コストが常に高い
③ 出力をランダムに変化させる
④ 勾配消失を促進する
Q151. 統計的仮説検定において「p値(p-value)」が示す意味はどれか?
① 帰無仮説が真である確率
② 対立仮説が常に優先される条件
③ 帰無仮説のもとで現在の観測結果が得られる確率
④ 検定統計量の平均値
Q152. 日本国内におけるAI開発の指針文書として正しいものはどれか?
① AIガバナンス白書(内閣府)
② AI規制法(総務省)
③ AI技術義務条例(経済産業省)
④ 機械学習管理令(文部科学省)
Q153. 「トランスフォーマーXL」が従来のTransformerより優れている点はどれか?
① 活性化関数を使用しないこと
② LSTM構造の使用
③ 長期依存関係を処理するための相対位置エンコーディングとメモリ拡張機能
④ RNNを明示的に導入した点
Q154. 日本の個人情報保護法において、「匿名加工情報」に該当する条件はどれか?
① 復元可能な個人情報
② 他の情報と容易に照合できる
③ 特定の個人を識別できないよう加工され、第三者提供が可能
④ 公開されている情報
Q155. AIの社会的影響を測るための指標に該当するものはどれか?
① ReLU活性値
② 学習率変動
③ 人間の行動変容や意思決定の変化
④ クラス数の合計
Q156. LLMの出力の「ハルシネーション(hallucination)」とは何か?
① 正確な知識を含む出力
② 訓練データ外の単語を出力すること
③ 間違っているがもっともらしく見える出力
④ 文法的誤りを含む出力
Q157. 「差別的アルゴリズム」の検出手法として適切なものはどれか?
① ROC曲線の傾きの測定
② モデルの出力を属性ごとに分け、統計的差異を評価する
③ バッチ正規化の適用
④ 出力分布のエントロピー測定
Q158. 多変量解析において「主成分分析(PCA)」が持つ効果はどれか?
① データの精度向上
② ノイズ除去と次元削減
③ モデルの複雑化
④ ハイパーパラメータの削減
Q159. 自然言語処理における「トークナイゼーション」の役割はどれか?
① 単語を合成する
② 文章を意味単位や単語などの小さな単位に分割する
③ モデルを正則化する
④ 検証データの誤差を計算する
Q160. AI倫理の原則に基づき、企業が説明可能性を担保するために取るべき行動はどれか?
① 出力結果を毎回削除する
② モデルの構造や意思決定ロジックを文書化・可視化する
③ 訓練データの公開を拒否する
④ 活性化関数を毎回変更する
解答解説

ご利用にあたって
本問題は、一般社団法人日本ディープラーニング協会(JDLA)が公開する「G検定(ジェネラリスト検定)シラバス 2024」 に基づいて、出題範囲の理解促進を目的として独自に作成されたものです。
JDLAならびにG検定の試験実施機関とは一切関係ありません。
出題形式や選択肢、解説は正確性・網羅性を完全に保証するものではありません。
本資料の利用はあくまで学習補助・理解促進の参考資料としてご活用ください。 利用によって生じた結果や損害について、制作者は一切の責任を負いません。
問題は基礎を中心として単純な知識選択型(定義や特徴などの正誤や適合判断)としております。そこそこ問題配分は考えて作成しています。
【★ / ★★ / ★★★】は各問題の難易度(Difficulty)を表しています。
★(1つ星)=基礎レベル
→ 基本定義や単語の意味理解など、暗記で解ける問題。
例:AIの定義、教師あり学習の代表例、PCAの目的など。★★(2つ星)=応用レベル
→ 概念の比較や誤り選択、複数要素の組み合わせ理解が必要。
例:L1とL2正則化の違い、F1スコアの意味、クラスタ数の決定方法など。★★★(3つ星)=実践・高度レベル
→ 実際のケース適用、評価指標の選択、数式・法的適用、時事モデル理解など。
例:GPT-4oのマルチモーダル特徴、AI倫理の制度設計、過学習の評価法など。