
【G検定対策】シラバス2024年版 模擬問題5
章末の「ご利用にあたって」を読んでからご利用ください。
今回は模擬問題として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。気持ち難易度上げました。
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. ディープラーニングにおける正規化層の目的として最も適切な説明はどれか?
① モデルの精度を保証するために使用される
② 勾配計算を省略し学習時間を短縮するため
③ 中間層の出力分布を一定に保つことで学習を安定化させるため
④ ハイパーパラメータを自動調整するための仕組み
Q2. Attention機構がRNNのどのような課題を克服するために導入されたか?
① 勾配爆発問題の回避
② 長期依存関係の学習困難性の緩和
③ ノイズの多いデータへの過適合の防止
④ 自己教師あり学習の適用拡張
Q3. 2024年11月に発表された「Diffusion Transformer」が従来の拡散モデルと比較して特徴的な点はどれか?
① モデル圧縮技術を採用しエッジ端末での推論を可能にした
② CNNベースの構造をTransformer構造に置き換えた
③ 時系列データ予測タスクに特化した設計を持つ
④ データ拡張を自動生成するアルゴリズムを内包している
Q4. ReLU関数を活性化関数に用いる際に発生する可能性のある問題はどれか?
① 出力値が常に1になる問題
② 学習率が固定になる問題
③ 勾配が0になり学習が止まる問題
④ 損失関数の発散が抑制できない問題
Q5. 誤差逆伝播法において「信用割当問題」とはどのような現象を指すか?
① 正則化が過剰に働きすぎる現象
② 誤差がどの重みに起因するか明確でない問題
③ 出力層の勾配が大きく変動する問題
④ 隠れ層でパラメータが共有される問題
Q6. TransformerにおけるSelf-Attentionの役割として適切なものはどれか?
① 同一位置の系列情報のみを強調する
② 入力順序の情報を完全に無視する
③ 各単語間の依存関係を捉える
④ モデルサイズを削減するための仕組み
Q7. モデルの過学習を抑制する手法として最も適切なものはどれか?
① バッチサイズを大きくする
② 訓練データにラベルノイズを加える
③ ドロップアウトを導入する
④ エポック数を極端に増やす
Q8. 畳み込みニューラルネットワーク(CNN)においてパディングの主目的はどれか?
① フィルタ数を減らすため
② 出力サイズを小さくするため
③ 出力サイズを入力と同じに保つため
④ 計算時間を短縮するため
Q9. 多層パーセプトロン(MLP)における隠れ層の役割として最も適切なものはどれか?
① 線形変換のみを行う
② 非線形性を導入して表現力を高める
③ 出力層のサイズを決定する
④ 損失関数の定義を単純化する
Q10. オートエンコーダにおける「ボトルネック層」の主な目的はどれか?
① モデルの出力を拡大する
② 入力情報を圧縮し特徴を抽出する
③ 計算量を増加させ学習精度を上げる
④ 出力と入力を等しく保つことを保証する
Q11. Residual Network(ResNet)のスキップ結合が解決を目指す問題はどれか?
① 過学習の促進
② 出力層のノイズ除去
③ 深い層での勾配消失問題
④ パラメータの自動最適化
Q12. Transformerモデルにおける「位置エンコーディング」の役割はどれか?
① 出力の正規化を行う
② 単語の順序情報を付加する
③ 出力の次元を削減する
④ マルチタスク処理を可能にする
Q13. Grad-CAMの利用目的として最も適切なものはどれか?
① 活性化関数の可視化
② 学習率の最適化
③ 画像分類モデルの判断根拠の可視化
④ 正則化手法の選択
Q14. LSTMにおけるゲート構造の主な目的はどれか?
① 活性化関数の変更を制御する
② 入力順序をランダム化する
③ 過去情報の保持と忘却を制御する
④ 勾配のスケーリングを自動化する
Q15. 次のうち、勾配消失問題の回避策として最も適切なものはどれか?
① 活性化関数にsigmoidを使う
② ネットワークを浅くする
③ 勾配を無視して出力を固定する
④ エラー関数を排除する
Q16. データ拡張手法「Mixup」の特徴として適切なものはどれか?
① 画像の中央をマスクして学習する
② 異なるラベルのデータを合成し中間ラベルを作成する
③ 入力を無作為に反転する
④ 画像の輝度を調整する
Q17. Dropoutの動作として正しいものはどれか?
① 出力層の活性化関数を削除する
② 重み更新を停止させる
③ 学習時に一部のノードをランダムに無効化する
④ 学習後のモデルサイズを削減する
Q18. 畳み込み演算で用いられる「ストライド」の意味はどれか?
① フィルタの回転角度
② 入力画像の色空間の変換
③ フィルタを移動させる際のステップ幅
④ 畳み込み結果の正規化手法
Q19. Attentionの「キー」「クエリ」「バリュー」の中で、入力の重み付けの中心になる要素はどれか?
① キー
② クエリ
③ バリュー
④ ソフトマックス
Q20. 正則化手法「L1正則化」の特徴はどれか?
① 重みを全体的に小さく保つ
② モデル構造を簡略化する
③ 一部の重みをゼロにする傾向がある
④ 活性化関数の選択肢を制限する
Q21. ディープラーニングにおける「局所最適解」とは何を意味するか?
① 勾配が完全に消失した状態
② 最も計算時間が短い解
③ 大域的最適解ではないが、一定の条件下で最小の損失を示す点
④ 最初にランダムに設定された重み値
Q22. TransformerモデルがRNNよりも学習並列化に適している主な理由はどれか?
① パラメータ数が少ないため
② 時系列順に処理しないため
③ 計算にGPUを用いないため
④ 層が非常に浅いため
Q23. ImageNetによって促進された研究分野はどれか?
① 医用画像解析
② 音声認識の前処理技術
③ 大規模画像分類モデルの開発
④ 小規模データでの転移学習
Q24. 勾配爆発問題が発生した際にモデルに見られる兆候はどれか?
① 出力が0に近づく
② 損失関数の値が急激に増大する
③ 勾配が一定に保たれる
④ 学習が非常に遅くなる
Q25. オートエンコーダと変分オートエンコーダ(VAE)の違いとして正しいのはどれか?
① VAEは再構成誤差を無視する
② VAEは確率分布に基づいて潜在変数を生成する
③ オートエンコーダは事前学習に使用できない
④ VAEは教師あり学習のみで機能する
Q26. 大規模言語モデル(LLM)の訓練でしばしば使われる「自己回帰モデル」の特徴はどれか?
① 全文を一括予測する
② 現在のトークンから過去を予測する
③ 前のトークンから次のトークンを順に予測する
④ ランダムな順序で文を生成する
Q27. データ拡張手法「CutMix」の特徴として正しいものはどれか?
① 入力画像を回転して学習する
② 入力画像を混合し、ラベルも同様に混合する
③ 入力画像の一部を別の画像で置き換える
④ ラベルをランダムに置き換える
Q28. 畳み込み層でよく使われるフィルタ(カーネル)の主な機能はどれか?
① 活性化関数の適用
② 出力の正規化
③ 特定の空間的特徴を抽出する
④ 入力をバッチごとに分割する
Q29. セマンティックセグメンテーションに分類されるモデルはどれか?
① YOLO
② Fast R-CNN
③ U-Net
④ OpenPose
Q30. 正則化手法として「Dropout」と同じ目的を持つものはどれか?
① 重み初期化
② 学習率のスケジューリング
③ L2正則化
④ 活性化関数の変更
Q31. 「連鎖律」が誤差逆伝播法において果たす役割はどれか?
① 活性化関数を置き換える
② 誤差を層ごとに伝播させるための数学的根拠
③ 出力層に限定した損失の最小化
④ パラメータを更新する順序の決定
Q32. 深層学習モデルにおいて「エポック」とは何を意味するか?
① バッチ内の学習ステップ数
② モデルの層の数
③ 全訓練データを1回処理した単位
④ 推論を繰り返す回数
Q33. 強化学習で利用される「報酬成形」の主目的はどれか?
① データの前処理を効率化するため
② 最適な行動系列の学習を促進するため
③ 学習率を動的に変化させるため
④ 状態空間の次元を削減するため
Q34. Vision Transformer(ViT)が従来のCNNと異なる点はどれか?
① 音声処理に特化している
② 畳み込み操作を用いず画像をパッチに分割する
③ 入力を周波数領域に変換する
④ 再帰構造を有している
Q35. マルチヘッドAttentionの目的として最も適切な説明はどれか?
① モデルの解釈性を向上させるため
② 並列処理で速度を上げるため
③ 多様な視点から特徴を抽出するため
④ 計算負荷を減らすため
Q36. LeNetの構造における革新性として正しいものはどれか?
① 活性化関数にsigmoidを導入した点
② モデルの学習を教師なしで行った点
③ 畳み込みとプーリングの組合せを導入した点
④ データ拡張を標準搭載した点
Q37. Attentionのスコア計算に使用される基本操作はどれか?
① 行列の逆行列
② クエリとキーの内積
③ バリューのソート
④ ソフトマックスと平均
Q38. Transformerモデルにおける「マスクド言語モデル」の訓練手法とは何か?
① 出力をゼロに置換して誤差を学習
② 一部の単語を隠して正解を予測させる
③ 入力系列を逆順にして訓練する
④ 出力トークンの順序をランダム化する
Q39. 誤差関数「交差エントロピー」が分類タスクにおいて好まれる理由はどれか?
① 常に0〜1の範囲に出力を保てるから
② 活性化関数との組合せが不要だから
③ 出力確率と正解ラベルの距離を反映しやすいため
④ 出力ベクトルを正規分布に変換するため
Q40. データ生成モデル「GAN」において識別器の役割はどれか?
① データの事前処理
② 潜在空間から画像を生成
③ 本物と偽物のデータを区別する
④ パラメータを凍結して学習を安定化させる
Q41. CNNにおいて「特徴マップ」の役割はどれか?
① 出力の圧縮率を調整する
② 活性化関数の変化を監視する
③ 畳み込み演算によって抽出された特徴の空間分布を保持する
④ 学習率を可視化するための指標
Q42. 「勾配消失問題」が起きやすい活性化関数はどれか?
① ReLU
② Leaky ReLU
③ tanh
④ GELU
Q43. Transformerにおける「キー」「クエリ」「バリュー」が使われる目的はどれか?
① 全層の出力をまとめて分類するため
② 入力系列の位置をランダム化するため
③ 入力系列の関連性を計算するため
④ ノイズの影響を排除するため
Q44. 「Triplet Loss」が用いられるタスクとして最も適切なものはどれか?
① 多クラス分類
② 次元削減
③ 類似度学習(例:顔認証)
④ 画像の自動キャプション生成
Q45. Attentionにおいて、スコア計算後に適用される関数として適切なものはどれか?
① tanh
② ソフトマックス
③ Dropout
④ Batch Normalization
Q46. 「自己教師あり学習」に分類される手法はどれか?
① 入力画像にマスクをかけて再構成させる
② 入力とラベルの対を使って学習する
③ 教師なしクラスタリング後に分類器を訓練する
④ 教師データのノイズを意図的に増やす
Q47. 「Contrastive Loss」の主な特徴はどれか?
① 分類境界の幅を最大化する
② 類似なデータ間の距離を縮め、異なるものの距離を広げる
③ 損失を符号付きで処理する
④ 損失をバッチ単位で平均すること
Q48. プーリング層における「最大値プーリング」の効果はどれか?
① 入力の平均的特徴を強調する
② 入力の時間情報を保存する
③ 局所的な最も強い特徴を抽出する
④ 全ての値を統合してスカラーに変換する
Q49. 「バッチ正規化」の導入が学習にもたらす利点として適切なものはどれか?
① モデルの精度を保証する
② 勾配消失問題を完全に回避できる
③ 学習を安定化させ、より高い学習率が使える
④ 出力のスケールを可視化できる
Q50. モデルの「過学習」状態に関する正しい記述はどれか?
① テストデータに対してのみ高い精度を示す
② 訓練データには適合するが、汎化性能が低い
③ 損失関数がゼロに収束しない
④ ハイパーパラメータが常に変動する
Q51. モデル評価指標のうち「F値」が示すものはどれか?
① 精度と学習速度の積
② 適合率と再現率の調和平均
③ 正解率と誤分類率の差
④ ROC曲線の面積
Q52. RNNにおいて「BPTT(Backpropagation Through Time)」の主な目的はどれか?
① 時系列データの可視化
② 過去の情報を反映した重み更新
③ 損失関数の単純化
④ 層間の勾配の固定
Q53. 学習における「ハイパーパラメータ」の特徴として正しいものはどれか?
① 学習過程で自動的に決定される
② モデルの重みに対応するパラメータ
③ 訓練前に設定されるモデル外部のパラメータ
④ 最終出力に直接影響を与える
Q54. 畳み込み演算で一般に使われる「ゼロパディング」の目的はどれか?
① 出力サイズの縮小
② 活性化関数の変更
③ 出力サイズを保つ
④ 勾配計算の高速化
Q55. 画像認識で用いられるYOLOの特徴はどれか?
① 一つの画像から複数のオブジェクトを一括で検出できる
② セグメンテーション専用である
③ 時系列データに特化している
④ 手書き文字認識に限定される
Q56. 「Adam」最適化手法が他より優れる特徴はどれか?
① 重みの符号を反転する
② 局所最適解を排除する
③ 過去の勾配情報と学習率の調整を統合する
④ 活性化関数を自動選択する
Q57. CNNモデルにおける「カーネルサイズ」の影響として正しいものはどれか?
① プーリング層の数を増やす
② 出力クラスの数を制御する
③ 局所領域の特徴をどの程度捉えるかを決定する
④ モデルのエポック数を増やす
Q58. データセットが小さい場合に有効な手法はどれか?
① 学習率を高く設定する
② ハイパーパラメータを固定する
③ 転移学習を活用する
④ 正則化を無効にする
Q59. Grad-CAMが可視化に利用する情報はどれか?
① 入力画像の周波数領域
② モデル出力の損失関数勾配と中間層の活性
③ 入力ラベルの分布
④ プーリング層の出力を平均した値
Q60. データ拡張手法「Cutout」の特徴はどれか?
① 複数画像を混合する
② 入力の一部を黒塗りにする
③ ノイズを加えてラベルを変更する
④ カラーモードを変更する
Q61. 深層強化学習における「DQN」が導入した主な工夫はどれか?
① 勾配消失への対応としてReLUを除去した
② 連続行動空間を離散化した
③ Q学習を深層ニューラルネットワークで近似した
④ ランダム探索を排除し決定論的に学習した
Q62. Vision Transformerで位置エンコーディングが必要な理由はどれか?
① モデルの訓練をGPUで行うため
② 入力の順序情報がAttentionに含まれていないため
③ 出力の画素数を固定するため
④ マルチモーダル処理に対応するため
Q63. L1正則化と比較したL2正則化の特徴として適切なものはどれか?
① より多くのパラメータをゼロにする
② 出力の次元を削減する
③ 重みを全体的に小さく抑える傾向がある
④ 非線形性を高める
Q64. 変分オートエンコーダ(VAE)において、KLダイバージェンスの目的はどれか?
① 出力画像の解像度を上げる
② 潜在変数の分布を正規分布に近づける
③ 勾配の発散を抑制する
④ オーバーフィッティングを強制する
Q65. 畳み込みニューラルネットワークで「ストライド」が大きくなると何が起きるか?
① パディングが不要になる
② フィルタサイズが拡大する
③ 出力の空間サイズが小さくなる
④ 勾配が安定する
Q66. AIモデルの「汎化性能」を向上させる最も基本的な戦略はどれか?
① 訓練データを繰り返し用いる
② 訓練誤差を最小にすることに集中する
③ 未知データに対する性能を意識した正則化や検証を行う
④ モデルサイズを増やすことで表現力を高める
Q67. GRU(Gated Recurrent Unit)の特徴として最も正しいものはどれか?
① 入力に対して逐次予測ができない
② LSTMよりも多くのゲートを持つ
③ LSTMに比べて構造が簡潔で計算効率が高い
④ 自己注意機構を前提とした構造である
Q68. TransformerベースのモデルがRNNと比較して持つ主な利点はどれか?
① 高い順序保持性
② シンプルな勾配伝播機構
③ 高並列性と長期依存関係の処理能力
④ 層を追加せずに性能向上が可能
Q69. セマンティックセグメンテーションにおいて「FCN」が担う主な役割はどれか?
① 物体の検出位置を矩形で出力する
② 入力画像の中で各画素にクラスを割り当てる
③ 時系列の物体追跡を行う
④ 入力画像を特徴ベクトルに変換する
Q70. プーリング層を挿入する主な目的として最も適切なものはどれか?
① モデルの非線形性を高める
② 勾配の符号を制御する
③ 特徴量の空間サイズを縮小して計算量を抑える
④ 層ごとの活性化関数を調整する
Q71. 「ソフトマックス関数」の性質として正しいものはどれか?
① 出力の合計が常に0になる
② 出力を二値化する
③ 各クラスのスコアを確率分布に変換する
④ 出力の範囲を0〜∞に広げる
Q72. ディープラーニングで用いられる「モーメンタム法」の特徴はどれか?
① 勾配の方向を無視して学習する
② 現在の勾配と過去の勾配を加味して更新方向を決める
③ 勾配を一定値に固定する
④ バッチサイズに比例して学習率を変化させる
Q73. ネットワークの過学習を防止するための「早期終了(Early Stopping)」の条件はどれか?
① 訓練誤差が下がったタイミングで終了
② バッチサイズが変化した時点で終了
③ 検証誤差が増加し始めたタイミングで終了
④ 全エポックを終了後に適用
Q74. MobileNetの設計において用いられる「Depthwise Separable Convolution」の利点はどれか?
① 活性化関数の導入数を減らす
② 正則化を不要にする
③ パラメータ数と計算量を削減できる
④ 畳み込み層を完全に除去できる
Q75. 損失関数「MSE(Mean Squared Error)」の性質として適切なものはどれか?
① 分類タスクに向いている
② ノイズに対してロバストである
③ 二乗誤差を平均して評価する
④ バイナリ分類専用である
Q76. 正則化における「ラッソ回帰」の特徴はどれか?
① すべての重みを均等に縮小する
② スパース性を促進し不要な特徴を除去する
③ 重みの符号を反転する
④ モデルの複雑性を完全に無視する
Q77. ドロップアウトはテスト時にどう扱われるか?
① ドロップアウトを再適用する
② ノードをすべて削除する
③ 重みを再初期化する
④ 全てのノードを使用し、スケーリングされた出力を用いる
Q78. 時系列予測に適するネットワーク構造はどれか?
① CNN
② GAN
③ RNN
④ AE
Q79. Attention機構において「スケーリング(√dkで除算)」を行う理由はどれか?
① 勾配消失を防ぐため
② 計算速度を上げるため
③ 内積値が大きくなりすぎることを防ぐため
④ ソフトマックスの使用を避けるため
Q80. Vision Transformerにおいて「パッチ分割」の目的はどれか?
① 入力のカラーモード変換
② Attentionの計算コストを削減し画像を系列として扱うため
③ モデルの学習率を最適化するため
④ クラスラベルを生成するため
Q81. 「位置エンコーディング」に用いられるsin波・cos波の理由として正しいものはどれか?
① 周波数帯域による分類が可能になる
② 時系列順の重要度を学習させるため
③ 任意の位置間の相対的距離を計算できるため
④ モデルの非線形性を高めるため
Q82. オートエンコーダの事前学習が有効とされる主な理由はどれか?
① 活性化関数の選択を容易にするため
② 重みの初期化精度を高めるため
③ 損失関数の定義を簡略化するため
④ 出力の正規分布化を実現するため
Q83. データ拡張における「Random Flip」の特徴として正しいものはどれか?
① 入力画像のランダム回転
② 入力画像の左右・上下反転をランダムに行う
③ 入力画像の明度変更
④ 入力画像をモザイク処理する
Q84. Attentionにおける「マルチヘッド化」の利点はどれか?
① Attention演算の計算時間を削減できる
② 異なるサブ空間に注意を向けて情報を多角的に抽出できる
③ 活性化関数を明示的に学習できる
④ モデルの深さを削減できる
Q85. Transformerが「位置を持たない」構造とされる理由はどれか?
① ソフトマックスの使用を前提とするため
② 隠れ層の数が固定されるため
③ 自己Attentionの計算に順序情報が含まれていないため
④ クエリとバリューの内積を持たないため
Q86. 正則化により期待できる効果として最も適切なものはどれか?
① 訓練誤差を必ず減少させる
② モデルの過学習を抑え汎化性能を向上させる
③ 活性化関数を自動調整する
④ エポック数を削減する
Q87. 「Contrastive Loss」と「Triplet Loss」の主な違いはどれか?
① Triplet Lossでは明示的に正例・負例・アンカーを用いる
② Contrastive Lossは教師なし学習専用である
③ Triplet Lossは勾配を必要としない
④ Contrastive Lossは誤差逆伝播を必要としない
Q88. データ生成モデル「DCGAN」において使用される主な構造はどれか?
① CNNベースの生成器と識別器
② 時系列に特化したRNNベースの識別器
③ ノイズ除去型のオートエンコーダ
④ クラスタリングベースの教師なし識別器
Q89. DeepLabなどのセグメンテーションモデルにおける「アトラス畳み込み(Atrous)」の利点はどれか?
① 畳み込み回数を減らす
② モデルの活性化を抑える
③ 受容野を広げつつ解像度を保つ
④ 出力サイズを小さくする
Q90. 「ベイズ情報量規準(BIC)」の主な用途はどれか?
① 過学習の検出
② 活性化関数の選択
③ モデル選択における汎化性能の評価
④ 損失関数の最適化
Q91. LLMにおける「自己回帰型」と「マスク型」の違いとして正しいものはどれか?
① マスク型は時系列データに特化する
② 自己回帰型は次の単語のみを予測する形式
③ マスク型は出力順を自由に決められる
④ 自己回帰型は分類に限定される
Q92. 「カーネルトリック」が用いられる目的として最も適切なものはどれか?
① 学習率の最適化
② 非線形特徴空間への写像
③ 損失関数の平滑化
④ バッチサイズの動的調整
Q93. 「No Free Lunch定理」が最適化手法に対して示唆するものはどれか?
① すべての関数において最適解が存在する
② 特定の手法が常に優れているわけではない
③ 勾配法は常に最善の選択である
④ 最適化にはモデル構造が不要である
Q94. 「Sim2Real」とはどのような問題に対処するアプローチか?
① 実世界の音声合成精度向上
② 強化学習でのシミュレーション結果を実環境に転用する
③ データの匿名化によるプライバシー保護
④ モデルの解釈性を高める正則化手法
Q95. ディープフェイク技術が社会に与える懸念として最も関連が深いのはどれか?
① 計算資源の不足
② 感情分析の精度低下
③ 偽情報の拡散と信頼性低下
④ モデル圧縮の困難性
Q96. Transformerモデルの出力ステップで用いられる「線形変換」の役割はどれか?
① モデルの層構造を簡素化する
② Attention重みのスパース化
③ ベクトル表現を出力クラスにマッピングする
④ 勾配伝播の安定化
Q97. 「データリーケージ」とは何を指すか?
① 正則化パラメータの漏洩
② モデルのハイパーパラメータが外部に漏れる
③ テストデータが訓練データに混入してしまうこと
④ 出力層の重みが学習初期に固定されること
Q98. SHAPが提供する主要な機能はどれか?
① モデルの訓練時間を短縮する
② モデル出力への各特徴量の寄与度を算出する
③ 活性化関数の選定を自動化する
④ パラメータ数を削減する
Q99. Diffusion Modelが画像生成で好まれる理由として正しいものはどれか?
① 推論時間が非常に短いため
② ノイズからの生成により高品質な画像生成が可能なため
③ 教師データが不要なため
④ LSTMと互換性が高いため
Q100. RLHF(Reinforcement Learning from Human Feedback)の利点として最も正しいものはどれか?
① 高速な教師あり学習への置き換え
② 微分不可能なモデルへの適用性
③ 人間の好みに基づいた出力調整が可能になる
④ 最小二乗法による損失関数の単純化
Q101. データ拡張技術「CutMix」の主な違いはどれか?
① 複数の画像を結合して1つの画像にする
② ランダムに選ばれた画像の一部を他の画像に貼り付け、ラベルも加算的に混合する
③ ノイズを加えることでデータを改変する
④ 出力ラベルをランダムに付け替える
Q102. 勾配降下法において「鞍点」がもたらす影響はどれか?
① 学習が収束せず、永遠に発散する
② 局所最適解に必ず収束する
③ 勾配が0になっても最適解でない停滞点を作る
④ 勾配が常に最大になる状態を作る
Q103. Vision Transformerで用いられる「クラス埋め込みトークン」の役割はどれか?
① 出力層の重みをゼロに初期化する
② クラス分類結果を担うための代表的なトークン
③ 位置情報の埋め込みを簡略化する
④ Attention演算を高速化する
Q104. Transformerの「エンコーダ・デコーダ構造」の役割分担として正しいものはどれか?
① エンコーダが系列の生成、デコーダが分類を行う
② エンコーダが出力系列を生成し、デコーダが入力を分類する
③ エンコーダが入力系列を特徴ベクトルに変換し、デコーダが出力系列を生成する
④ エンコーダがAttention演算、デコーダが畳み込み演算を行う
Q105. 画像分類モデル「EfficientNet」の特徴として適切なものはどれか?
① レイヤー構造を完全に省略した設計
② モデルサイズを削減しつつ精度も両立させるスケーリング戦略
③ リカレント構造を組み込んでいる
④ 出力に再帰的Attentionを導入している
Q106. AIプロジェクトの初期フェーズで行うべきこととして最も適切なものはどれか?
① ハイパーパラメータの調整
② モデルの学習曲線の分析
③ データの収集とアノテーション計画の立案
④ 評価指標の誤差分解
Q107. モデルの軽量化手法「蒸留(distillation)」の特徴として正しいものはどれか?
① 入力次元を減らすことでメモリ使用量を抑える
② 重みを圧縮して保存形式を変える
③ 大きなモデルの出力を教師信号として小さなモデルを訓練する
④ 活性化関数を削除することで演算負荷を減らす
Q108. TransformerのAttentionスコア計算でSoftmaxを用いる理由はどれか?
① 勾配の爆発を避けるため
② Attention重みの正規化を行い確率的解釈を可能にするため
③ モデルの学習速度を上げるため
④ 出力次元を削減するため
Q109. アンサンブル学習の一種「バギング」の代表的なモデルはどれか?
① SVM
② ニューラルネットワーク
③ ランダムフォレスト
④ k-means
Q110. 「パノプティックセグメンテーション」の特徴として正しいものはどれか?
① 画像の中から対象物を検出するだけの手法
② 複数の視点から画像を同時に処理する技術
③ 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統合
④ 時系列データをセグメントに分割する手法
Q111. オープンイノベーションを活用するAIプロジェクトにおける利点はどれか?
① 開発責任を外部に委ねることができる
② 独自データの保護が不要になる
③ 異なる業種や分野の知見を取り入れられる
④ 法的な制限がすべて緩和される
Q112. 「ベクトル自己回帰モデル(VAR)」が扱う主なデータ形式はどれか?
① 非構造化テキスト
② 画像データ
③ 時系列の多変量データ
④ グラフ構造データ
Q113. バッチ学習と比較した「オンライン学習」の特徴はどれか?
① データをすべて一括で処理する
② モデル更新を一度だけ行う
③ 時間経過とともにデータが追加される環境に適している
④ データをクラスタリングしてから学習する
Q114. 「Dropout率」を高く設定しすぎると発生する可能性がある問題はどれか?
① モデルの表現力が著しく低下する
② 過学習が促進される
③ バッチサイズが固定される
④ 訓練データの分布が変化する
Q115. GANにおいて「モード崩壊」とはどのような現象か?
① 判別器が機能しなくなる
② 同じような出力ばかりが生成される
③ 生成された画像が全てノイズになる
④ 潜在空間の次元が減少する
Q116. Vision Transformerにおける「パッチエンベディング」の目的はどれか?
① 画像を特徴量に変換し、系列として処理可能にする
② 出力を可視化するためのマッピング
③ 画像ノイズを除去する
④ モデル構造を圧縮する
Q117. AIプロジェクトの評価フェーズで最も重要な点はどれか?
① 評価指標を事後的に変更すること
② 評価指標が目的に合っているかを確認すること
③ 出力の可視化のみで評価すること
④ 評価は社内でのみ行うこと
Q118. ChatGPTのようなLLMが「RLHF」によって改善される主な要素はどれか?
① 出力速度の向上
② モデルサイズの削減
③ 人間の好みに合った応答生成
④ 損失関数の安定化
Q119. 「Fine-tuning」の特徴として最も適切なものはどれか?
① モデル全体をゼロから訓練すること
② 出力の後処理のみを変更すること
③ 事前学習済みモデルに対して特定タスク向けの微調整を行うこと
④ 誤差関数を省略して高速化すること
Q120. プライバシー保護を目的として導入される「匿名加工情報」の特徴として正しいものはどれか?
① 情報主体を特定できるが識別符号が付いている
② 特定の個人を復元可能な状態で記録される
③ 個人を特定できないよう加工された情報
④ GDPR下では利用が制限される
Q121. モデルの過学習対策として「交差検証(Cross Validation)」が用いられる理由はどれか?
① バッチサイズを固定できるため
② 訓練データの正解率を上げるため
③ 評価の信頼性を高め、汎化性能を検証するため
④ モデルサイズを削減するため
Q122. オートエンコーダを利用した異常検知の仕組みとして最も適切な説明はどれか?
① 潜在変数に基づいてクラスタリングする
② 入力と出力の再構成誤差が大きいものを異常と判断する
③ ノイズを入力に加え、出力の精度を見る
④ 全てのデータを一度分類してから判定する
Q123. DeepMindが開発した「AlphaFold」の主な応用分野はどれか?
① 金融の不正検知
② 医療診断におけるX線解析
③ タンパク質の立体構造予測
④ 音声合成の自動化
Q124. ディープラーニングの「転移学習」が有効となる典型的な条件はどれか?
① 訓練データが大量にある場合
② 出力層を除いてすべて固定する場合
③ 元タスクと新タスクの特徴がある程度類似している場合
④ モデルを完全にランダム初期化して学習する場合
Q125. Attentionスコアの計算式で、クエリ qqq とキー kkk の内積をとる理由はどれか?
① 計算を簡素化するため
② 関連度の強さを数値で表すため
③ バリューの次元を削減するため
④ 順序情報を保持するため
Q126. 多クラス分類における「マイクロ平均」と「マクロ平均」の違いはどれか?
① マイクロは全体の平均、マクロはクラスごとの平均
② マクロは重み付き平均、マイクロは単純平均
③ マイクロは正例のみ平均、マクロは全体平均
④ マクロはバッチごとの平均、マイクロはエポックごとの平均
Q127. 「自己符号化器(Self-Encoder)」という用語の正確な解釈はどれか?
① 自己回帰モデルを応用した分類モデル
② 自身の出力を学習に使う回帰モデル
③ 入力を出力と同じ形式で再構成する学習モデル
④ 自身の損失を自己補正するネットワーク構造
Q128. 多層ニューラルネットワークが「表現力」を持つとはどういうことか?
① 学習データを一意に分類できる
② 任意の関数を近似できる可能性を持つ
③ 活性化関数を多数含むことができる
④ 出力次元を任意に設定できる
Q129. 自己注意(Self-Attention)でスケーリング係数として dk\sqrt{d_k}dk を使う主な理由はどれか?
① 勾配を正規化するため
② 内積値のスケールを抑えて勾配消失を防ぐため
③ 訓練速度を最大化するため
④ 活性化関数の選択を容易にするため
Q130. データセットに偏りがあるときに起きやすい問題はどれか?
① バッチサイズの変動
② 高バイアスによる学習不全
③ 汎化性能の過大評価
④ 評価指標のランダム化
Q131. ディープ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利点はどれか?
① 過学習が確実に防止される
② 学習速度が向上する
③ 抽象度の高い特徴を学習できる
④ モデルのサイズが小さくなる
Q132. Transformerにおける「Layer Normalization」の役割はどれか?
① パラメータ数を削減するため
② 勾配消失を完全に防ぐため
③ 各層の出力を正規化し、学習の安定性を高めるため
④ 活性化関数を非線形に保つため
Q133. 過学習の兆候として最も典型的なものはどれか?
① 訓練誤差と検証誤差の両方が低い
② 訓練誤差が下がっているのに検証誤差が上がる
③ 検証誤差が下がってから上がるまで待つ
④ 訓練データと検証データで誤差が一致する
Q134. 「訓練データとテストデータの分離」が重要視される理由はどれか?
① モデルの学習速度を向上させるため
② 学習が収束しやすくなるため
③ 汎化性能の正確な評価を行うため
④ バッチサイズを一定に保つため
Q135. オートエンコーダが次元削減に利用できる理由はどれか?
① 出力の次元を圧縮して分類するため
② 潜在空間にデータを写像することで特徴を圧縮するため
③ 入力を二値に変換して分離するため
④ ラベル情報を不要とするため
Q136. ディープラーニングにおける「学習率スケジューリング」の目的はどれか?
① エポック数の削減
② 勾配爆発の回避
③ 最適化の安定化と収束促進
④ モデルサイズの削減
Q137. LSTMの「出力ゲート」が果たす主な役割はどれか?
① 入力の選別を行う
② 勾配消失を防ぐために重みを更新する
③ 隠れ状態の一部を出力として次ステップに渡す
④ 損失関数を決定する
Q138. 機械学習における「特徴量エンジニアリング」の目的はどれか?
① 訓練時間を短縮するための次元削減
② 性能向上のために有益な特徴を抽出・変換する
③ パラメータ数を固定するための前処理
④ 学習率を自動化するための変換
Q139. セグメンテーションで「IoU(Intersection over Union)」が使われる理由はどれか?
① 出力の画素数を比較するため
② 推論時間を測定するため
③ 予測と正解の重なり度を定量的に評価するため
④ 学習率をスケールするため
Q140. モデル評価で「ROC曲線」が使われる理由として最も適切なものはどれか?
① モデルの計算量を可視化するため
② 出力次元の分布を確認するため
③ 真陽性率と偽陽性率のバランスを確認するため
④ 正則化の程度を調整するため
Q141. 自己教師あり学習で代表的なタスクの一つである「マスク言語モデル(MLM)」の訓練方法はどれか?
① 入力文をすべて削除して復元させる
② ランダムな位置の単語をマスクして予測させる
③ 出力文にマスクをかけて誤差を学習する
④ 全ての単語を並べ替えて順序を学習させる
Q142. CNNのフィルタサイズが大きすぎる場合に起こりやすい問題はどれか?
① 層の数が減る
② モデルのパラメータ数が減る
③ 局所特徴が捉えづらくなる
④ 活性化関数が不要になる
Q143. ディープラーニングで使用される「活性化関数」が持つべき性質として最も重要なものはどれか?
① 非線形性
② 高速な初期化
③ 出力が必ず正
④ 連続な微分不可能性
Q144. 損失関数に「KLダイバージェンス」を用いる代表的なモデルはどれか?
① GAN
② CNN
③ VAE
④ RNN
Q145. 正則化手法「Early Stopping」が持つ制約として正しいものはどれか?
① 学習を最後まで行えない
② 検証データが必要である
③ 損失関数が限定される
④ バッチサイズを制限する
Q146. 勾配消失が起きにくい活性化関数はどれか?
① sigmoid
② tanh
③ ReLU
④ softmax
Q147. 機械学習プロジェクトでPoC(Proof of Concept)を行う主な目的はどれか?
① モデルの最終リリース
② 実運用での性能比較
③ 技術的な実現可能性を検証する
④ 経済的利益の保証
Q148. TransformerのDecoderブロックにおける「マスクドSelf-Attention」の目的はどれか?
① 全単語の情報を同時に使うため
② 前方の情報のみを参照させるため
③ 計算負荷を削減するため
④ クラス分類用の入力を簡素化するため
Q149. ImageNetの役割として正しいものはどれか?
① 音声認識モデルの学習
② 高速画像圧縮の開発
③ 大規模画像分類ベンチマークの提供
④ ロボット制御信号の生成
Q150. 転移学習で一般的に凍結(freeze)される層はどれか?
① 出力層
② 全結合層
③ 入力に近い層
④ 損失関数層
Q151. 機械学習における「オーバーフィッティング」と反対の現象はどれか?
① スパース性
② アンダーフィッティング
③ ハイパーパラメータの最適化
④ 正則化
Q152. AutoMLの主な機能として正しいものはどれか?
① モデルのハードウェア実装
② ハイパーパラメータやモデル構造の自動探索
③ モデルの法的適正チェック
④ データセットの自動ラベル付け
Q153. モデル圧縮の代表的な技術である「量子化(Quantization)」の効果はどれか?
① 勾配の計算を不要にする
② モデルサイズと推論速度の改善
③ クラス数の削減
④ バッチサイズの自動調整
Q154. ディープラーニングにおける「初期化手法」の主な役割はどれか?
① 活性化関数の最適化
② 勾配の発散や消失を抑える
③ バッチサイズの決定
④ 出力層の分類精度向上
Q155. CNNの「プーリング層」が学習パラメータを持たない理由はどれか?
① 活性化関数と同一構造であるため
② 入力データに直接作用しないため
③ 固定された統計操作(最大値・平均値など)を行うから
④ 全結合層に依存するため
Q156. 損失関数「ヒンジロス(Hinge Loss)」が主に使われるモデルはどれか?
① ニューラルネットワーク
② サポートベクターマシン(SVM)
③ GAN
④ 決定木
Q157. データ水増し技術のうち「ノイズ注入」の主な目的はどれか?
① モデルの表現力を低下させる
② 過学習を抑制して汎化性能を高める
③ 特徴量を削減する
④ モデルの学習時間を短縮する
Q158. ChatGPTのような大規模言語モデルで必要な事前学習データの特性として最も重要なのはどれか?
① 文法に誤りのあるデータ
② 分類済みの画像データ
③ 多様で文脈豊かな自然言語テキスト
④ 音声認識に最適化されたデータ
Q159. Diffusion Modelが従来のGANと異なる点として正しいものはどれか?
① 生成データが低解像度に限定される
② ノイズからの逆変換を用いて生成する
③ 判別器を持たず教師ありで訓練する
④ 活性化関数を使用しない
Q160. 最新のAI倫理フレームワークにおいて重視されている「説明可能性(Explainability)」の目的はどれか?
① モデルの訓練速度向上
② 学習データの削減
③ 出力結果の理由を人が理解できるようにすること
④ ハイパーパラメータの最適化
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。