メインコンテンツへスキップ
見出し画像

【G検定対策】模擬問題20 2025年9月試験対応(シラバス1.3対応テキスト版)

    章末の「ご利用にあたって」を読んでからご利用ください。
    今回は問題も解説もテキスト版です。(androidの方は履歴も残るアプリ版がお勧めです)
    模擬問題として160問(20問×8セット)、解答時間は120分を想定しております。最後に時事問題としてチャレンジ問題10問
    問題作成の情報は2025/8/16です。

    模擬問題 160問 120分

    【設問セット(Q1〜Q20)】

    Q1. 「弱いAI(ANI)」と「強いAI(AGI)」の区別として最も適切な説明を選べ。
    ① 画像処理がANI、言語処理がAGI
    ② 特定領域特化がANI、汎用的問題解決がAGI
    ③ 学習を行うのがANI、行わないのがAGI
    ④ ハードウェア依存がANI、非依存がAGI

    Q2. 次の空欄に入る語として最も適切なものを選べ。
    「(  )問題とは、記号に現実世界の意味を結び付ける難しさを指す。」
    ① フレーム
    ② クレジット割当
    ③ シンボルグラウンディング
    ④ 探索

    Q3. エキスパートシステムの代表的特徴として適切なものを選べ。
    ① ニューラルネットの層を自動設計
    ② 画像の畳み込み演算に特化
    ③ 時系列予測専用
    ④ 知識ベースと推論エンジンで推論

    Q4. 以下の(ア)~(ウ)と説明の組合せとして最も適切なものを選べ。
    (ア)STRIPS (イ)MYCIN (ウ)Cyc
    A. 医療診断支援 B. 自動計画記述 C. 常識知の構築
    ① (ア)B(イ)A(ウ)C
    ② (ア)B(イ)C(ウ)A
    ③ (ア)A(イ)B(ウ)C
    ④ (ア)C(イ)A(ウ)B

    Q5. 機械学習のデータ分割の目的として最も適切なものを選べ。
    ① 訓練用のみで最終評価を行う
    ② 訓練用・検証用・テスト用で汎化を見積る
    ③ テストで過学習させる
    ④ 検証は精度に無関係

    Q6. 次の空欄に入る語の組み合わせとして最も適切なものを選べ。
    「モデルの複雑化で( ア )が下がる一方、( イ )が上がりやすくなる。」
    ① (ア)バリアンス(イ)バイアス
    ② (ア)再現率(イ)適合率
    ③ (ア)バイアス(イ)バリアンス
    ④ (ア)損失(イ)精度

    Q7. 交差検証(k-fold)の利点として最も適切なものを選べ。
    ① 学習を一度で完了
    ② ハイパラ探索に不向き
    ③ テスト漏れを促進
    ④ データ全体を使い安定評価

    Q8. 誤差逆伝播法の説明として適切なものを選べ。
    ① 出力層から勾配を伝播し重み更新
    ② 勾配を無視して更新
    ③ 損失を確率で置換
    ④ 前向き計算のみで学習

    Q9. ReLUの利点として最も適切なものを選べ。
    ① 勾配が常に一定
    ② 勾配消失を緩和し学習を促進
    ③ 出力が必ず確率分布
    ④ 二値化で表現力低下

    Q10. (ア)~(ウ)に対する対策の組合せとして最も適切なものを選べ。
    (ア)勾配消失 (イ)内部共変量シフト (ウ)長期依存
    A. He初期化 B. バッチ正規化 C. LSTM
    ① (ア)B(イ)C(ウ)A
    ② (ア)C(イ)A(ウ)B
    ③ (ア)A(イ)B(ウ)C
    ④ (ア)A(イ)C(ウ)B

    Q11. L1正則化とL2正則化の違いとして最も適切な説明を選べ。
    ① 両者とも疎化のみ
    ② L1は拡散、L2は発散
    ③ いずれも効果なし
    ④ L1は疎化、L2は大きさ抑制

    Q12. バッチ正規化の主な効果として適切なものを選べ。
    ① 学習の安定化と収束高速化
    ② モデルを必ず小型化
    ③ データ増強の代替
    ④ 活性化関数不要

    Q13. 次の空欄に入る語として適切なものを選べ。
    「Adamは一次モーメントと(  )の推定を用いる最適化手法である。」
    ① カーネル幅
    ② 二次モーメント
    ③ 正規化定数
    ④ マージン

    Q14. ドロップアウトの動作として最も適切なものを選べ。
    ① 常に同じノードを除去
    ② 推論時のみ無効化
    ③ 学習時にノードを確率的に無効化
    ④ 重みを全て0に固定

    Q15. レコメンドで「協調フィルタリング」の特徴として適切なものを選べ。
    ① メタデータのみを利用
    ② 画像特徴のみを利用
    ③ ルール手作業のみ
    ④ 類似ユーザ・アイテムの行動を活用

    Q16. 次の(ア)~(ウ)と手法の対応として最も適切なものを選べ。
    (ア)単語の共起から連続表現 (イ)語の重要度重み付け (ウ)系列の次単語予測
    A. Word2Vec B. TF-IDF C. 言語モデル
    ① (ア)A(イ)B(ウ)C
    ② (ア)B(イ)A(ウ)C
    ③ (ア)C(イ)B(ウ)A
    ④ (ア)A(イ)C(ウ)B

    Q17. MLOpsで本番運用時に最も重要な監視対象の一つとして適切なものを選べ。
    ① 学習率の初期値のみ
    ② データドリフトや概念ドリフト
    ③ 開発者の人数
    ④ GPUメーカー名

    Q18. KLダイバージェンスの性質として適切なものを選べ。
    ① 常に対称である
    ② 値は必ず1
    ③ 非対称で0以上の値を取る
    ④ 負の値を取り得る

    Q19. 正規分布に関する記述として最も適切なものを選べ。
    ① 平均±3σに約50%が含まれる
    ② 平均±1σに約95%が含まれる
    ③ 平均±2σに約68%が含まれる
    ④ 平均±1σに約68%が含まれる

    Q20. 説明可能AI(XAI)の主目的として最も適切なものを選べ。
    ① 予測根拠を人間が理解可能にする
    ② 精度を必ず最大化する
    ③ ラベル作成を自動化する
    ④ AIを完全に公開する


    解答・解説

    Q1【正解】②
    【難易度】★|【出題】第1章 ANI/AGI
    【解説】ANIは「顔認証だけ」など特定タスク向け、AGIは幅広い課題をこなせる想定のAIです。②だけが定義に合致。①③④は分類の軸がずれています。
    Q2【正解】③
    【難易度】★★|【出題】第1章 シンボルグラウンディング
    【解説】「リンゴ」という記号に“あの赤い果物”という意味をどう結びつけるか、という根本問題です。①フレームは状況変化、②は強化学習の用語、④は探索一般。
    Q3【正解】④
    【難易度】★|【出題】第2章 エキスパートシステム
    【解説】専門家の知識を「知識ベース」に入れ、推論エンジンで結論を導きます。①③④(他選択肢)は別分野の説明です。
    Q4【正解】①
    【難易度】★★|【出題】第2章 AI史
    【解説】STRIPS=計画記述、MYCIN=医療診断、Cyc=常識知の構築。入れ替えに注意。
    Q5【正解】②
    【難易度】★|【出題】第8章 評価設計
    【解説】学習(訓練)・調整(検証)・最終評価(テスト)を分けることで、未知データへの強さ(汎化)を正しく測れます。①③④は評価を歪めます。
    Q6【正解】③
    【難易度】★★|【出題】第8章 バイアス‐バリアンス
    【解説】モデルを複雑にすると「思い込み(バイアス)」は下がる一方、「データの揺れに敏感(バリアンス)」になりがちです。①②④は用語違い。
    Q7【正解】④
    【難易度】★|【出題】第8章 交差検証
    【解説】データを折り分けて総当たりで評価するので、偏りが減り“安定した成績”が分かります。①②③は利点になりません。
    Q8【正解】①
    【難易度】★|【出題】第5章 逆伝播
    【解説】出力での誤差を逆向きに伝えて、各重みの「どれだけ直したら良いか」を計算して更新します。②〜④は学習になりません。
    Q9【正解】②
    【難易度】★|【出題】第5章 活性化(ReLU)
    【解説】ReLUは0より大きい領域で勾配が保たれるため、深いネットで起きがちな勾配消失を和らげます。①③④は性質の取り違えです。
    Q10【正解】③
    【難易度】★★|【出題】第5章 学習安定化
    【解説】勾配消失→He初期化、内部共変量シフト→バッチ正規化、長期依存→LSTM が定番対応です。順番を整理しましょう。
    Q11【正解】④
    【難易度】★★|【出題】第5章 正則化
    【解説】L1は一部の重みを0にして特徴選択が効きやすい、L2は重みの大きさを平均的に小さくして過学習を抑えます。①②③は誤り。
    Q12【正解】①
    【難易度】★|【出題】第5章 バッチ正規化
    【解説】層ごとの出力分布を整えることで、学習が安定し、必要なエポックも短くなりやすいです。②③④はBNの直接の効果ではありません。
    Q13【正解】②
    【難易度】★|【出題】第5章 最適化(Adam)
    【解説】Adamは勾配の平均(一次)と広がり(ニ次)を見ながら、パラメータごとに賢く学習率を調整します。①③④はAdamの要素ではありません。
    Q14【正解】③
    【難易度】★|【出題】第5章 ドロップアウト
    【解説】学習中だけ一部のノードをランダムに無効化し、「たまたまの覚え込み」を防ぎます。推論時は無効化しません。①②④は誤り。
    Q15【正解】④
    【難易度】★|【出題】第6章 レコメンド
    【解説】「似た人が買った物は自分も欲しいかも」という発想で、行動履歴からユーザやアイテムの似たもの同士を活用します。①〜③は別手法の説明。
    Q16【正解】①
    【難易度】★|【出題】第6章 NLP基礎
    【解説】共起→Word2Vec、重要度→TF-IDF、次単語予測→言語モデル。対応関係を覚えましょう。
    Q17【正解】②
    【難易度】★★|【出題】第7章 MLOps
    【解説】入力分布や現実の意味が変わると、学習時の前提が崩れて精度が落ちます。これがドリフト。①③④は監視の本筋ではありません。
    Q18【正解】③
    【難易度】★★|【出題】第8章 情報量
    【解説】KLは「PとQの違い」を測る指標で、0以上、左右で値が変わる(非対称)がポイント。①②④は性質と違います。
    Q19【正解】④
    【難易度】★|【出題】第8章 確率分布
    【解説】正規分布の“68–95–99.7則”を覚えましょう:±1σで約68%、±2σで約95%、±3σで約99.7%。他の選択肢は数字が誤り。
    Q20【正解】①
    【難易度】★★|【出題】第10章 XAI
    【解説】XAIのゴールは「なぜその予測か」を人が理解できる形で示すこと。②は副次的結果、③④は目的そのものではありません。

    【設問セット(Q21〜Q40)】

    Q21. A*探索で用いる「許容的(admissible)ヒューリスティック」の条件として最も適切なものを選べ。
    ① 真の最短コストを決して過大評価しない
    ② 探索順を常に幅優先に固定する
    ③ 一致性(単調性)を満たさないことが重要
    ④ 評価関数に重みを一切掛けない

    Q22. データ前処理における「標準化」と「正規化」の違いとして適切な説明を選べ。
    ① 正規化は平均0・分散1への変換を指す
    ② 標準化は平均0・分散1、正規化は一定範囲(例:0~1)へスケーリング
    ③ 両者は完全に同義で区別しない
    ④ どちらも外れ値の影響を必ず除去できる

    Q23. ナイーブベイズ分類器が前提とする仮定として最も適切なものを選べ。
    ① 特徴量は常に連続値である
    ② クラス同士が互いに独立である
    ③ クラスが与えられた条件下で特徴量同士は独立である
    ④ 学習を行わずに推論だけを行う

    Q24. k近傍法(k-NN)の特徴として適切なものを選べ。
    ① 高次元でも必ず計算が高速である
    ② 決定境界は常に線形になる
    ③ 特徴量のスケーリングは不要である
    ④ 明示的な学習段階は持たず、距離尺度とkで予測する

    Q25. 機械学習における「データリーケージ(情報漏洩)」の説明として最も適切なものを選べ。
    ① テスト情報が学習過程に入り込み、過大評価になる
    ② 学習率が外部に漏洩し、最適化が崩壊する
    ③ 予測結果を暗号化せずに配布する
    ④ モデルサイズが想定より大きくなる

    Q26. 深刻なクラス不均衡データに対処する一般的手法として最も適切なものを選べ。
    ① 精度(accuracy)のみで評価を行う
    ② 層化分割やクラス重み・再サンプリングを用いて学習・評価する
    ③ 少数派クラスを必ず削除する
    ④ しきい値は常に0.5に固定する

    Q27. ROC曲線と適合率‐再現率(PR)曲線の使い分けとして最も適切なものを選べ。
    ① ROCは不均衡時に不利で、PRは常に無意味
    ② どちらも同じ情報を示し完全に代替可能
    ③ 強い不均衡データではPR曲線の方が識別性能差を把握しやすい
    ④ ROCは多クラス専用、PRは二値専用

    Q28. 予測確率の「キャリブレーション(校正)」に関する説明として適切なものを選べ。
    ① 分類境界を直線化すること
    ② ROC-AUCを最大化すること
    ③ 誤差を二乗で最小化すること
    ④ 出力確率と実際の発生頻度を一致させること

    Q29. 早期終了(Early Stopping)の主な目的として最も適切なものを選べ。
    ① 検証損失の悪化兆候で学習を打ち切り過学習を防ぐ
    ② 訓練損失が0になったら必ず停止する
    ③ 学習率を自動的に増大させる
    ④ 正則化を不要にする

    Q30. L2正則化(重み減衰)に関する説明として最も適切なものを選べ。
    ① 一部の重みを完全に0へ押し込む効果が強い
    ② (SGDなど)実装では重み減衰としてL2と等価に扱われることが多い
    ③ スパース性を強く促進するのが主効果である
    ④ 学習率を自動的に最適化する

    Q31. 残差ネットワーク(ResNet)の主な利点として最も適切なものを選べ。
    ① 計算グラフを木構造に変換できる
    ② パラメータを必ず減らせる
    ③ スキップ接続で勾配消失を緩和し深層学習を安定化
    ④ 活性化関数を不要にできる

    Q32. CNNにおけるパディング方式の効果として適切なものを選べ。
    ① VALIDパディングは出力の空間サイズを入力と等しく保つ
    ② SAMEパディングは必ずパラメータ数を減らす
    ③ パディングは畳み込み核の学習を止める
    ④ SAMEパディングは出力の空間サイズを保ちやすい設定である

    Q33. Transformerで位置情報を扱う仕組みとして最も適切なものを選べ。
    ① 位置エンコーディングを用いて系列順序を表現する
    ② 再帰構造で時系列順序を保持する
    ③ プーリングで時系列順を固定する
    ④ カーネルで空間位置を近似する

    Q34. サブワード分割(BPE/WordPiece)の主な利点として適切なものを選べ。
    ① 語彙を増やしOOVを増大させる
    ② 未知語を分解して表現し、語彙規模と柔軟性を両立する
    ③ 文字単位表現と完全に同一である
    ④ 形態素解析を必須にする

    Q35. RAG(Retrieval-Augmented Generation)の狙いとして最も適切なものを選べ。
    ① 学習済みモデルの重みを削除する
    ② 入力長を短縮して計算量を一定にする
    ③ 外部知識を検索・取り込み、幻覚を抑え事実性を高める
    ④ 出力確率を一様化する

    Q36. 知識蒸留(Knowledge Distillation)の説明として適切なものを選べ。
    ① 学生モデルが教師の出力を無視して学習する
    ② 教師なし学習の一種である
    ③ 教師モデルの重みをそのままコピーする
    ④ 教師の軟ターゲットを用いて小型モデルへ知識移転する

    Q37. 強化学習のActor-Critic法の利点として適切なものを選べ。
    ① 方策勾配の分散低減と価値推定の併用で学習を安定化
    ② 行動価値のみで更新し方策は固定
    ③ 価値関数を持たないため高速
    ④ 探索は不要となる

    Q38. Q-learningとSARSAの違いとして最も適切なものを選べ。
    ① 両者は完全に同一である
    ② Q-learningはオフポリシー、SARSAはオンポリシー
    ③ SARSAはモデルベース法である
    ④ Q-learningは方策を更新しない

    Q39. バンディット問題におけるUCB(Upper Confidence Bound)方策の特徴として適切なものを選べ。
    ① 常に報酬期待値最大の腕だけを選ぶ
    ② 完全ランダムに腕を選ぶ
    ③ 信頼上限で楽観的評価を行い、探索と活用を両立する
    ④ 既知の腕を禁じる

    Q40. POMDPがMDPと異なる点として最も適切なものを選べ。
    ① 報酬が存在しない
    ② 状態遷移が確定的である
    ③ 割引率を持たない
    ④ 観測が不完全なため、信念状態(確率分布)で推論する


    解答・解説

    Q21【正解】①
    【難易度】★★|【出題】第2章 A探索
    【解説】許容的ヒューリスティック=「本当の最短コストより大きく見積もらない見積り」。小さめ見積りなら遠回りは起きにくく、最短経路の保証につながります。②〜④はAの必須条件ではありません。
    Q22【正解】②
    【難易度】★★|【出題】第8章 前処理
    【解説】標準化は「平均0・分散1」にそろえる、正規化は「最小0〜最大1」など一定範囲に縮める処理です。①は逆、③は同義ではなく、④は外れ値を消す効果までは保証しません。
    Q23【正解】③
    【難易度】★★|【出題】第5章 ナイーブベイズ
    【解説】「クラスが決まれば、特徴同士は独立に振る舞う」と仮定して計算を簡単にします。①値の型は自由、②は仮定の向きが違い、④は学習あり(事前確率や条件付き確率を推定)です。
    Q24【正解】④
    【難易度】★★|【出題】第5章 k-NN
    【解説】k-NNは「覚える」より「近いサンプルを探す」手法(遅延学習)です。高次元では距離が効きにくく重くなり、スケーリングも重要。①〜③は誤りです。
    Q25【正解】①
    【難易度】★★|【出題】第8章 データリーケージ
    【解説】テスト情報が学習や前処理に混じると、実力以上のスコアが出ます(将来の情報を“見てしまう”)。②③④は本質から外れます。
    Q26【正解】②
    【難易度】★★|【出題】第8章 不均衡データ
    【解説】少数派を大事に扱う工夫(層化分割、クラス重み、過/欠サンプリング)が基本です。①精度だけは多数派ばかり当てても高く見える罠。③④の固定方針も不適切です。
    Q27【正解】③
    【難易度】★★|【出題】第8章 評価指標
    【解説】陽性が少ない問題では、陽性まわりに注目するPR曲線が違いを見つけやすいです。ROCとPRは補完関係で、完全な代替ではありません。
    Q28【正解】④
    【難易度】★★|【出題】第8章 確率の校正
    【解説】「80%と出したら本当に8割当たる?」を合わせるのがキャリブレーション。①境界の形、②AUC最大、③二乗誤差は目的が違います。
    Q29【正解】①
    【難易度】★★|【出題】第5章 Early Stopping
    【解説】検証損失が悪化し始めたら止めて、暗記(過学習)に入る前で学習を終えます。②③④は別の話です。
    Q30【正解】②
    【難易度】★★|【出題】第5章 正則化
    【解説】実装上、L2は「重み減衰(weight decay)」として扱われます。重みを全体的に小さくして過学習を抑えます。①③はL1の特徴、④は役割が違います。
    Q31【正解】③
    【難易度】★★|【出題】第5章 ResNet
    【解説】スキップ接続で勾配が流れやすくなり、層を深くしても学習が進みやすくなります。①②④はResNetの本質ではありません。
    Q32【正解】④
    【難易度】★|【出題】第5章 CNN
    【解説】SAMEは出力サイズを保ちやすく、端の情報も活かせます。①はVALIDの説明と逆、②はパラメータ数とは無関係、③は学習を止めません。
    Q33【正解】①
    【難易度】★★|【出題】第5章 Transformer
    【解説】再帰がない代わりに、位置エンコーディングを足して「順番」を表します。②〜④は位置の扱いとして不適切です。
    Q34【正解】②
    【難易度】★★|【出題】第5章 サブワード
    【解説】未知語を小さな単位に分けて表せるので、語彙を増やしすぎず柔軟さも保てます。①は逆効果、③は同一ではなく、④も必須ではありません。
    Q35【正解】③
    【難易度】★★|【出題】第6章 RAG
    【解説】検索で外部の根拠を取り込みながら生成するため、事実に強く“思い込み”の文章(幻覚)を減らせます。①②④は目的が違います。
    Q36【正解】④
    【難易度】★★|【出題】第7章 蒸留
    【解説】教師モデルの“やわらかい確率”をお手本にして、小さな学生モデルへ知識を移します。コピーではありませんし、教師なしでもありません。
    Q37【正解】①
    【難易度】★★|【出題】第7章 Actor-Critic
    【解説】「行動を決めるネット」と「価値を見積もるネット」を組み合わせ、ブレにくく学習を安定させます。②〜④は誤解です。
    Q38【正解】②
    【難易度】★|【出題】第7章 強化学習
    【解説】Q-learningは“最良行動”で更新するオフポリシー、SARSAは“実際に選んだ行動”で更新するオンポリシー。①③④は誤りです。
    Q39【正解】③
    【難易度】★★|【出題】第7章 バンディット
    【解説】「上側の信頼区間」で少し楽観に見積もり、良さそうな腕を試しながら学びます。①②④の極端な方針ではありません。
    Q40【正解】④
    【難易度】★★|【出題】第7章 POMDP
    【解説】POMDPは「本当の状態が見えにくい」問題。観測から状態の確率分布(信念状態)を更新し、そこから意思決定します。①〜③はPOMDPの特徴ではありません。

    【設問セット(Q41〜Q60)】

    Q41. 前向き推論(フォワードチェイニング)と後向き推論(バックワードチェイニング)の違いとして適切なものを選べ。
    ① 事実から目的を遡るのが前向き推論
    ② 目的から必要事実を遡り推論するのが後向き推論
    ③ どちらも必ず深さ優先で動作する
    ④ どちらもルールを一度しか使えない

    Q42. 盲目的探索とヒューリスティック探索の比較として正しいものを選べ。
    ① ヒューリスティック探索は評価関数を用いる
    ② 盲目的探索はヒューリスティックを使う
    ③ 両者は計算量が常に同等
    ④ 盲目的探索は最良優先法に等しい

    Q43. 知識表現におけるオントロジーの利点として最も適切なものを選べ。
    ① 概念と関係を形式化し再利用性を高める
    ② 訓練データの枚数を増やす
    ③ 推論を確率的に必ず高速化する
    ④ 活性化関数の種類を最適化する

    Q44. ハイパーパラメータ探索で「ベイズ最適化」を選ぶ妥当な理由を選べ。
    ① 必ず全探索より高精度になる
    ② 離散空間では使えない
    ③ 評価が高価でも少ない試行で良解を探れる
    ④ 学習を不要にできる

    Q45. 決定木で過学習を抑える一般的手段として適切なものを選べ。
    ① 葉を必ず1件にする
    ② 特徴量を全削除する
    ③ 深さ制限や事前・事後剪定を行う
    ④ 学習率を0に固定する

    Q46. SVMで線形分離が困難な場合の対応として適切なものを選べ。
    ① 学習率を増やして反復する
    ② サンプルを全て二値化する
    ③ マージン制約を無視する
    ④ RBFカーネルなどで高次元写像する

    Q47. 欠損値への妥当な対処として適切なものを選べ。
    ① テストのみ別の補完方法に変える
    ② 目的変数を使って補完する
    ③ 欠損列は必ず削除する
    ④ 訓練・検証で同じ前処理を適用する

    Q48. 正則化手法の使い分けとして最も適切な説明を選べ。
    ① 両者ともスパース化を行わない
    ② L1は疎化、L2は重みの大きさ抑制
    ③ どちらも学習率を最適化する
    ④ L1は重み拡大、L2は発散促進

    Q49. 極端なクラス不均衡下で有用な評価指標として適切なものを選べ。
    ① 平均二乗誤差(MSE)
    ② 単純な精度(accuracy)
    ③ 適合率‐再現率(PR)曲線
    ④ コサイン類似度

    Q50. CNNでMaxプーリングを用いる主な狙いとして適切なものを選べ。
    ① 出力を確率分布に変換する
    ② 位置ずれへの頑健性と特徴強調
    ③ カーネル数を増やす
    ④ 重みの初期化を決める

    Q51. シーケンス・ツー・シーケンス学習でAttentionを導入する主効果として適切なものを選べ。
    ① 損失を不要にする
    ② 出力を常に二値化する
    ③ 語彙を固定長にする
    ④ 長距離依存の情報選択を改善

    Q52. 次の対応として最も適切なものを選べ。
    (ア)BERT (イ)GPT (ウ)T5
    A. デコーダのみ B. エンコーダのみ C. エンコーダ–デコーダ
    ① (ア)B(イ)A(ウ)C
    ② (ア)A(イ)B(ウ)C
    ③ (ア)C(イ)B(ウ)A
    ④ (ア)B(イ)C(ウ)A

    Q53. グラフニューラルネットワーク(GNN)の基本操作として適切なものを選べ。
    ① 辺を学習前に全削除
    ② 近傍ノードからの情報集約(メッセージパッシング)
    ③ グラフを必ず完全連結にする
    ④ ノード特徴の一様乱数化

    Q54. 次の対応として最も適切なものを選べ。
    (ア)Q-learning (イ)REINFORCE (ウ)A2C
    A. 価値ベース B. 方策ベース C. Actor-Critic
    ① (ア)B(イ)A(ウ)C
    ② (ア)C(イ)A(ウ)B
    ③ (ア)A(イ)C(ウ)B
    ④ (ア)A(イ)B(ウ)C

    Q55. バンディット問題でThompson Samplingの特徴として適切なものを選べ。
    ① 常に最良腕のみを選択
    ② 期待報酬に上限を課す
    ③ 事後分布からサンプリングして探索と活用を両立
    ④ 完全にランダムに選択

    Q56. 中心極限定理の説明として適切なものを選べ。
    ① 独立同分布の標本平均は漸近的に正規分布に従う
    ② どんな分布も有限標本で正規化される
    ③ 標本分散が0に収束する
    ④ 外れ値が必ず消える

    Q57. p値の正しい解釈として適切なものを選べ。
    ① 帰無仮説が真である確率
    ② 帰無仮説が真のときに観測以上の極端さが出る確率
    ③ 検定力そのものの値
    ④ 代替仮説が真である確率

    Q58. 時系列データの検証方法として適切なものを選べ。
    ① k-foldでシャッフルして分割する
    ② 過去に未来データを混ぜる
    ③ 季節性を必ず除去する
    ④ 時系列分割(逐次的ホールドアウト)を用いる

    Q59. 日本の個人情報保護法における「仮名加工情報」の説明として適切なものを選べ。
    ① 匿名化情報
    ② 統計情報のみを指す
    ③ 追加情報と照合すれば個人識別可能な加工情報
    ④ 生データと同一の個人情報

    Q60. AIガバナンスの実務で重要な原則の組合せとして適切なものを選べ。
    ① 公平性・透明性・説明責任
    ② 利用禁止・非公開・独占
    ③ 速度・容量・消費電力
    ④ 収益性・広告効果・拡散力


    解答・解説

    Q41【正解】②
    【難易度】★★|【出題】第2章 推論
    【解説】後向き推論は「ゴール(仮説)から必要条件をさかのぼる」発想、前向き推論は「手元の事実から新しい事実を積み上げる」発想です。③④の制約は一般則ではありません。
    Q42【正解】①
    【難易度】★|【出題】第2章 探索
    【解説】ヒューリスティック探索は見積り関数で探索順を賢く決めます。盲目的探索は問題の“知恵”を使わず、幅優先・深さ優先など素直にたどります。②③④は取り違えです。
    Q43【正解】①
    【難易度】★|【出題】第1章 オントロジー
    【解説】オントロジーは概念と関係を機械が扱える形に整理する“用語辞書+関係表”。再利用やシステム連携が楽になります。②〜④は目的が違います。
    Q44【正解】③
    【難易度】★★|【出題】第8章 ハイパラ探索
    【解説】ベイズ最適化は「試した結果」を使って次に試す点を賢く選ぶので、評価が高コストでも少ない回数で良い組合せに近づけます。①“必ず”高精度は言い過ぎです。
    Q45【正解】③
    【難易度】★|【出題】第5章 決定木
    【解説】深さを制限したり剪定(不要な枝を切る)すると、訓練データだけに過度に合わせるのを防げます。①②④は極端または無関係です。
    Q46【正解】④
    【難易度】★|【出題】第5章 SVM
    【解説】RBFなどのカーネルで高次元に写せば、元空間で曲がった境界も“直線”で分けられることがあります。①②③は対策になりません。
    Q47【正解】④
    【難易度】★★|【出題】第8章 欠損値
    【解説】欠損処理は訓練・検証(・テスト)で一貫させるのが鉄則。②目的変数で補完は“未来情報”の混入、①や③も恣意的で評価が歪みます。
    Q48【正解】②
    【難易度】★|【出題】第5章 正則化
    【解説】L1は一部の重みをゼロにして“使う特徴を選ぶ”効果、L2は重み全体を小さくして“行き過ぎ”を抑える効果が中心です。③④は役割が違います。
    Q49【正解】③
    【難易度】★★|【出題】第8章 評価指標
    【解説】陽性が少ない問題では、PR曲線(適合率×再現率)が性能差を見分けやすいです。精度やMSEは不均衡だと誤解を生みやすい指標です。
    Q50【正解】②
    【難易度】★|【出題】第5章 CNN
    【解説】Maxプーリングは“最大値”で要点を残すので、少しの位置ズレに強く、特徴も強調されます。②以外はプーリングの主目的ではありません。
    Q51【正解】④
    【難易度】★★|【出題】第5章 Attention
    【解説】長い系列でも“どこを見るか”を学習して重要箇所に重み付けできます。①②③はAttentionの効果ではありません。
    Q52【正解】①|【難易度】★★|【出題】第6章 Transformer系
    【解説】BERT=エンコーダ、GPT=デコーダ、T5=エンコーダ+デコーダという役割分担です。組合せの入れ替えに注意。
    Q53【正解】②
    【難易度】★★|【出題】第6章 GNN
    【解説】各ノードは近所のノード情報を集めて(メッセージを受け取り)自分の表現を更新します。①③④はGNNの基本と逆です。
    Q54【正解】④
    【難易度】★|【出題】第7章 強化学習
    【解説】Q-learning=価値、REINFORCE=方策、A2C=Actor-Critic(方策+価値)。暗記ポイントです。
    Q55【正解】③
    【難易度】★★|【出題】第7章 バンディット
    【解説】Thompson Samplingは“ありそう度”の事後分布から引いて腕を選ぶため、自然に探索(新規)と活用(良さげ)を両立できます。
    Q56【正解】①
    【難易度】★|【出題】第8章 統計
    【解説】独立同分布のデータなら、標本平均はサンプルが増えるほど正規分布に近づきます。②③④は一般には成り立ちません。
    Q57【正解】②
    【難易度】★|【出題】第8章 仮説検定
    【解説】p値は「帰無仮説が正しいと仮定した場合に、これ以上に極端な結果が出る確率」。②の定義以外(①③④)はよくある誤解です。
    Q58【正解】④
    【難易度】★★|【出題】第6章 時系列
    【解説】未来情報を混ぜないように、時間順を保って訓練→検証→テストへ進める“時系列分割”を使います。①②はリーケージの原因、③は必須条件ではありません。
    Q59【正解】③
    【難易度】★★|【出題】第9章 個人情報保護
    【解説】仮名加工情報は“追加情報があれば個人に戻し得る”加工データ(主に社内利用前提)。匿名加工情報(①)は“戻せない”点が違います。
    Q60【正解】①
    【難易度】★|【出題】第10章 ガバナンス
    【解説】公平性(差別の有無)、透明性(中身の見せ方)、説明責任(理由の提示)は実務の基礎原則です。②〜④はガバナンスの土台になりません。

    【設問セット(Q61〜Q80)】

    Q61. ハイパーパラメータ探索でランダムサーチを用いる利点として最も適切なものはどれか。
    ① 次元が高くても探索効率が落ちにくい
    ② すべての組合せを必ず試せる
    ③ グリッドより常に高精度になる
    ④ 事前分布の設定が必須である

    Q62. 学習率スケジューラの主目的として適切なものはどれか。
    ① 勾配を常に0にする
    ② 収束を安定化し局所解からの脱出を助ける
    ③ エポック数を自動決定する
    ④ バッチサイズを毎回変更する

    Q63. 層化k分割交差検証(Stratified k-fold)の主な利点はどれか。
    ① 検証データを学習に混ぜられる
    ② 時系列の順序を保持できる
    ③ 分割数を自動で最適化する
    ④ 各分割でラベル比率を保ち評価を安定化

    Q64. 欠損メカニズムで「MAR(条件付き無作為欠損)」の説明として適切なものはどれか。
    ① 欠損は全くの無作為で起きる
    ② 未観測の値そのものに依存する
    ③ 系統誤差とは無関係である
    ④ 観測済み変数に依存して欠損が生じる

    Q65. PCAとLDAの違いとして最も適切なものはどれか。
    ① PCAは教師なし、LDAは教師あり
    ② 両者とも教師なし
    ③ PCAは分類、LDAは圧縮
    ④ 両者とも回帰専用

    Q66. RBFカーネルSVMでγを大きくした場合の典型的影響はどれか。
    ① 境界が単純化し過学習が減る
    ② 決定境界が複雑化し過学習しやすい
    ③ マージンが無限大になる
    ④ サポートベクトルが消失する

    Q67. 早期終了(Early Stopping)の適切な運用として正しいものはどれか。
    ① 訓練損失が0で停止しテストで調整
    ② テスト損失で停止基準を決める
    ③ 検証損失が悪化で停止しテストは温存
    ④ 検証データを学習に逐次追加

    Q68. 大規模バッチ学習の一般的な注意点として最も適切なものはどれか。
    ① 収束は常に高速化する
    ② 正則化は不要になる
    ③ 学習率は常に小さくする
    ④ 汎化が低下することがある

    Q69. バッチ正規化とレイヤ正規化の違いとして適切なものはどれか。
    ① 両者ともミニバッチ平均を使用
    ② LNは畳み込みで使えない
    ③ BNは系列モデルで必須
    ④ BNはミニバッチ、LNは特徴軸で正規化

    Q70. 残差ブロックの主効果として最も適切なものはどれか。
    ① 出力を必ず二値化する
    ② 恒等経路で勾配伝播を改善する
    ③ 重みを正則化不要にする
    ④ 活性化関数を不要にする

    Q71. 画像分類の典型的なデータ拡張として適切なものはどれか。
    ① ランダムクロップや水平反転
    ② 乱数でラベルを入替える
    ③ 画像を常に回転90度
    ④ すべての画素を平滑化

    Q72. VAEの学習目的関数に含まれるKL項の主な役割はどれか。
    ① 復元誤差を直接最小化する
    ② 判別境界を最大化する
    ③ 潜在分布を事前分布へ整形する
    ④ 入力の雑音を増やす

    Q73. GANの生成器の目的として最も適切なものはどれか。
    ① 入力を低次元に圧縮する
    ② 予測確率を較正する
    ③ 潜在空間を可視化する
    ④ 判別器を欺くサンプルを生成する

    Q74. 強化学習で割引率γを1に近づけた場合の影響として適切なものはどれか。
    ① 即時報酬のみを重視する
    ② 将来報酬をより重視する
    ③ 収束は必ず高速化する
    ④ 探索は不要になる

    Q75. 多クラス分類でソフトマックス出力の性質として正しいものはどれか。
    ① 各クラス確率の総和が1になる
    ② すべて独立に二値化される
    ③ ロジットと無関係である
    ④ 学習率に等しくなる

    Q76. マクロ平均F1とマイクロ平均F1の違いとして適切なものはどれか。
    ① 両者ともクラス均等平均
    ② マイクロは最小値を取る
    ③ マクロはクラス均等、マイクロは全体比率
    ④ マクロは重みを学習する

    Q77. ハイパーパラメータ探索時のデータ分割で適切な手順はどれか。
    ① 検証とテストを混在させる
    ② テストは最後だけ用いて評価する
    ③ 交差検証を使わない
    ④ テストで最良モデルを選ぶ

    Q78. LIMEとSHAPの特徴の違いとして適切なものはどれか。
    ① LIMEは勾配必須の白箱手法
    ② SHAPは局所説明ができない
    ③ SHAPは加法性に基づく一貫した帰属
    ④ LIMEは特徴寄与を算出不可

    Q79. 公平性指標「Equal Opportunity」の定義として適切なものはどれか。
    ① グループ間で真陽性率を一致させる
    ② グループ間で陽性率を一致させる
    ③ グループ間で偽陽性率を一致
    ④ すべての精度を同一化する

    Q80. 差分プライバシーの直観的説明として適切なものはどれか。
    ① すべてのデータを匿名化する
    ② 出力に決定論的ノイズを足す
    ③ 個人の有無で出力分布がほぼ変わらない
    ④ 権限管理だけで保護する


    解答・解説

    Q61【正解】①
    【難易度】★★|【出題】第8章 ハイパーパラメータ探索
    【解説】ランダムサーチは「当たりやすい所」を広く拾えるので、次元が増えてもグリッドより効率が落ちにくいです。②は全探索の話、③「常に」は言い過ぎ、④事前分布は不要です。
    Q62【正解】②
    【難易度】★★|【出題】第5章 学習率制御
    【解説】学習率を段階的に下げる/上げるなどして、学習を安定させたり局所解から抜けやすくします。①③④はスケジューラの役割ではありません。
    Q63【正解】④
    【難易度】★★|【出題】第8章 交差検証
    【解説】層化k-foldは各分割でクラス比をそろえるので、偶然の偏りが減り評価が安定します。①②③は方法や目的が違います。
    Q64【正解】④
    【難易度】★★|【出題】第8章 欠損データ
    【解説】MARは「観測済みの情報に条件づければ、欠損は無作為になる」ケースです。①はMCAR、②はMNARの説明、③は誤りです。
    Q65【正解】①
    【難易度】★★|【出題】第8章 次元削減・判別
    【解説】PCAは“ラベル無しで分散を最大に保つ軸”を探す(教師なし)。LDAは“クラスがよく分かれる軸”を探す(教師あり)。②③④は逆や不適切です。
    Q66【正解】②
    【難易度】★★|【出題】第5章 SVM
    【解説】γが大きいと「近さ」を強く見て境界が細かく曲がり、訓練データに合わせ過ぎやすくなります。①③④は一般に成りません。
    Q67【正解】③
    【難易度】★★|【出題】第5章 早期終了
    【解説】検証損失が悪化し始めたら打ち切って、テストは最後の一回だけ評価に使います。①②④はリーケージや過学習の原因です。
    Q68【正解】④
    【難易度】★★|【出題】第5章 学習戦略
    【解説】大きいバッチは見かけの収束は速くても、パラメータが“平均的”になり過ぎて汎化が落ちることがあります。②③④の断定は不適切です。
    Q69【正解】④
    【難易度】★★|【出題】第5章 正規化
    【解説】BNはミニバッチ統計で正規化、LNは各サンプル内の特徴軸で正規化します。①は誤り、②LNはRNNでも有効、③BNは“必須”ではありません。
    Q70【正解】②
    【難易度】★★|【出題】第5章 残差学習
    【解説】スキップ(恒等)経路のおかげで勾配が奥まで届きやすくなり、深いネットでも学習が安定します。①③④は効果の取り違えです。
    Q71【正解】①
    【難易度】★|【出題】第6章 データ拡張
    【解説】ランダムクロップや水平反転は“見え方”を変えて汎化を高める定番です。②〜④はデータを壊したり偏らせます。
    Q72【正解】③
    【難易度】★★|【出題】第6章 VAE
    【解説】KL項は潜在ベクトルの分布を“標準正規などの事前分布”に寄せる役割。再構成誤差は別の項で扱います。②④は目的外です。
    Q73【正解】④
    【難易度】★|【出題】第6章 GAN
    【解説】生成器は“偽物らしさ”を磨いて判別器をだますサンプルを作るのが仕事です。①②③は主目的ではありません。
    Q74【正解】②
    【難易度】★|【出題】第7章 強化学習
    【解説】割引率が1に近いほど“将来のごほうび”を重く評価します。①③④は一般に成りません。
    Q75【正解】①
    【難易度】★|【出題】第5章 ソフトマックス
    【解説】ソフトマックスはクラス確率の合計が1になるように正規化します。②③④は無関係です。
    Q76【正解】③
    【難易度】★★|【出題】第8章 評価指標
    【解説】マクロF1=クラスごとのF1を“均等に”平均、マイクロF1=全サンプルをまとめて集計。①②④は定義違いです。
    Q77【正解】②
    【難易度】★★|【出題】第8章 モデル選択
    【解説】テストは“最後だけ”使って本当の実力を測ります。モデル選択は検証(交差検証)で行います。①③④はリーケージです。
    Q78【正解】③
    【難易度】★★|【出題】第10章 XAI
    【解説】SHAPはゲーム理論の加法性に基づいた一貫した特徴寄与。LIMEは“近傍を作って線形近似”する軽量な黒箱説明です。①②④は誤り。
    Q79【正解】①
    【難易度】★★|【出題】第10章 公平性
    【解説】Equal Opportunityは“本当は陽性の人を陽性とできる率(TPR)”をグループ間でそろえる指標です。②③④は別の定義です。
    Q80【正解】③
    【難易度】★★|【出題】第9章 プライバシー
    【解説】差分プライバシーは“その人がデータにいてもいなくても、結果はほぼ同じ”となるようノイズ付与などで守る考え方。②の“決定論的”や④だけでは不十分です。

    【設問セット(Q81〜Q100)】

    Q81. 学習曲線の観察から過学習を示す典型的な状態として最も適切なものを選べ。
    ① 訓練誤差は低いが検証誤差が高く乖離
    ② 訓練・検証ともに誤差が高止まり
    ③ 訓練・検証ともに誤差が低く安定
    ④ 訓練誤差が高く検証誤差が低い

    Q82. 特徴量スケーリングの必要性が特に高い手法の特徴として適切なものを選べ。
    ① 木構造ベースで分割基準のみ使用
    ② 距離や内積に基づく近傍・SVMなど
    ③ ラベルの分布にのみ依存
    ④ 事前確率の推定にのみ依存

    Q83. 主成分分析(PCA)の目的として最も適切なものを選べ。
    ① 目的変数との相関最大化
    ② クラスタ数の自動決定
    ③ 分散が最大となる直交基底への射影
    ④ ラベルのバランス最適化

    Q84. t-SNEの性質として適切なものを選べ。
    ① 局所構造を保ちやすいが全体距離の解釈は難しい
    ② 線形写像でグローバル距離を保存
    ③ 距離尺度に依存せず決定論的
    ④ ハイパーパラメータが不要

    Q85. UMAPの利点として一般に指摘される点として適切なものを選べ。
    ① ラベル不要だが教師ありでしか動作しない
    ② パラメータが不要で完全決定論的
    ③ 常にt-SNEより精度が高いと保証される
    ④ 速度が速く、比較的グローバル構造も保ちやすい

    Q86. k-means法の前提・性質として適切なものを選べ。
    ① 非凸目的で必ず大域最適に収束
    ② 外れ値に非常に強いことが保証
    ③ 初期中心に敏感で球状・等分散を仮定しがち
    ④ 任意形状クラスタに強い

    Q87. 混合ガウスモデル(GMM)のEMアルゴリズムについて正しい説明を選べ。
    ① Eステップで各成分の事後確率、Mステップでパラメータ更新
    ② Eステップで平均・分散を更新、Mステップで事後確率
    ③ Eステップで勾配を計算し最急降下
    ④ 逐次的にクラスタ数を増やす

    Q88. 異常検知で「正常データのみ」で学習して未知の外れ値を検出する代表的手法を選べ。
    ① K近傍分類
    ② One-Class SVM
    ③ 朴素ベイズ
    ④ 決定木回帰

    Q89. ARIMAモデルの(p, d, q)に対応する説明として適切なものを選べ。
    ① p:移動平均 d:自己回帰 q:差分
    ② p:季節周期 d:トレンド q:ノイズ分散
    ③ p:ラグ分散 d:標準化次数 q:自己共分散
    ④ p:自己回帰次数 d:差分次数 q:移動平均次数

    Q90. 時系列の定常性検定として広く用いられる方法を選べ。
    ① Levene検定
    ② Shapiro–Wilk検定
    ③ ADF(Augmented Dickey–Fuller)検定
    ④ McNemar検定

    Q91. 2D畳み込み層のパラメータ数(バイアスあり)の正しい式を選べ。
    ① 入力画素数 × 出力チャネル
    ② カーネル高さ×幅×入力チャネル×出力チャネル + 出力チャネル
    ③ 入力チャネル×出力チャネルのみ
    ④ カーネル面積 × 出力チャネル + 入力チャネル

    Q92. ラベルスムージングの主な効果として適切なものを選べ。
    ① 過度な確信を抑え汎化と校正を改善
    ② 予測を必ず高速化する
    ③ 損失を必ず0に近づける
    ④ 勾配消失を直接解消する

    Q93. 注意機構におけるQ・K・Vの関係として適切なものを選べ。
    ① QとVの積でKを更新
    ② Kのみで重みを作りQに適用
    ③ QとKの類似度から重みを得てVを加重平均
    ④ Vで重みを作りKを出力

    Q94. マルチヘッドアテンションの利点として適切なものを選べ。
    ① 計算量を常に減らすこと
    ② 単一空間に限定して集約すること
    ③ 異なる表現空間・関係を並列に学習できること
    ④ 位置情報が不要になること

    Q95. BERTの事前学習タスクとして最も適切な組み合わせを選べ。
    ① 次文生成と画像復元
    ② マスク化言語モデルと次文予測
    ③ 生成的言語モデルと強化学習
    ④ 固有表現認識と依存構造解析

    Q96. 生成時のデコーディングで「Nucleus(Top-p)サンプリング」の特徴として適切なものを選べ。
    ① 上位k語に限定して一様サンプリング
    ② 常に最確率語を選択(貪欲)
    ③ ビーム幅を広げて探索木を網羅
    ④ 一定確率pに達する最小集合からサンプリング

    Q97. 予測確率のキャリブレーション手法について適切な説明を選べ。
    ① Plattスケーリングは非パラメトリック
    ② どちらも回帰を使わない
    ③ Isotonic回帰は非パラメトリックでデータが多いと柔軟
    ④ どちらもクラス不均衡では使えない

    Q98. 因果推論における交絡(confounding)の説明として適切なものを選べ。
    ① 介入の後に発生する媒介変数
    ② 測定誤差のみを指す用語
    ③ 無作為化で必ず増える要因
    ④ 介入と結果の両方に影響する第三の変数

    Q99. 差分プライバシーにおけるε(イプシロン)の解釈として適切なものを選べ。
    ① εが大きいほどプライバシー保護は弱い
    ② εが小さいほどプライバシー保護は弱い
    ③ εは常に0である必要がある
    ④ εは精度と無関係な定数

    Q100. モデルカード(Model Card)の主目的として最も適切なものを選べ。
    ① モデルの学習コードをすべて公開する
    ② 想定用途・性能・限界・データ特性を文書化し透明性を高める
    ③ 商用利用の可否のみを記載する
    ④ 推論速度だけを記載して比較する


    解答・解説

    Q81【正解】①
    【難易度】★|【出題】第8章 モデル評価
    【解説】訓練ではよく当たるのに、検証では外しが多い=覚えすぎ(過学習)。②④は逆の傾向、③は理想形です。
    Q82【正解】②
    【難易度】★|【出題】第8章 特徴量スケーリング
    【解説】距離・内積ベースの手法(k-NN/SVM/線形回帰など)はスケール差で距離が歪むため標準化が重要。木系は分割基準が相対的なので影響が小さめです。
    Q83【正解】③
    【難易度】★|【出題】第8章 PCA
    【解説】PCAは「ばらつき(分散)が最大になる向き」を探し、直交軸に写して次元を圧縮します。目的変数は使いません(①はLDAの文脈)。
    Q84【正解】①
    【難易度】★★|【出題】第6章 次元削減可視化
    【解説】t-SNEは近い点のまとまり(局所構造)を保つのが得意。一方で点群間の遠さ(全体距離)は解釈しにくいです。
    Q85【正解】④
    【難易度】★★|【出題】第6章 UMAP
    【解説】UMAPはt-SNEに比べ高速で、ある程度グローバル構造も保ちやすいとされます。②③の“必ず/不要”の断定は不正確、①は誤り。
    Q86【正解】③
    【難易度】★|【出題】第8章 クラスタリング
    【解説】k-meansは初期値に敏感で、球状・等分散クラスタを想定しがち。任意形状や外れ値に強いわけではありません。
    Q87【正解】①
    【難易度】★★|【出題】第8章 EMアルゴリズム
    【解説】Eステップで各成分に属する“確からしさ(責務)”を計算、Mステップで平均・分散・混合比などのパラメータを更新します。
    Q88【正解】②
    【難易度】★|【出題】第6章 異常検知
    【解説】One-Class SVMは“正常だけ”で境界を学び、その外側を異常とみなします。教師あり分類器(①③)や回帰(④)は目的が違います。
    Q89【正解】④
    【難易度】★|【出題】第6章 時系列(ARIMA)
    【解説】ARIMAの(p,d,q)はAR次数・差分次数・MA次数。季節成分は季節ARIMAで別途扱います。
    Q90【正解】③
    【難易度】★|【出題】第6章 時系列検定
    【解説】時系列が定常かをみる代表がADF検定。①②④は別目的の統計検定です。
    Q91【正解】②
    【難易度】★|【出題】第5章 CNN
    【解説】2D畳み込みのパラメータは「カーネル高×幅×入力ch×出力ch+出力ch(バイアス)」です。入力画素数は関係しません。
    Q92【正解】①
    【難易度】★|【出題】第5章 正則化
    【解説】ラベルスムージングは“正解1.0”を少し緩め、過度な自信を抑えることで汎化や確率の校正が改善します。高速化や勾配消失の直接解決ではありません。
    Q93【正解】③
    【難易度】★|【出題】第5章 Attention
    【解説】QとKの類似度(例:内積)で重みを作り、Vの重み付き平均をとるのが基本。①②④は計算の流れが誤りです。
    Q94【正解】③
    【難易度】★★|【出題】第5章 Transformer
    【解説】マルチヘッドは“視点”を分けて並列に学べます(語順・係り受け・同義など)。計算量が必ず減るわけでも、位置情報が不要になるわけでもありません。
    Q95【正解】②
    【難易度】★|【出題】第6章 事前学習
    【解説】BERTはマスク化言語モデル(MLM)と次文予測(NSP)で事前学習します。③④は下流タスク側の話です。
    Q96【正解】④
    【難易度】★|【出題】第6章 生成デコーディング
    【解説】Top-pは“確率合計がpに達する最小集合”だけを候補にしてサンプリングします。k固定や貪欲・ビーム探索とは別物です。
    Q97【正解】③
    【難易度】★★|【出題】第8章 確率の校正
    【解説】Isotonic回帰は非パラメトリックで柔軟、データが多いと強い。一方Plattはロジスティック回帰(パラメトリック)です。
    Q98【正解】④
    【難易度】★|【出題】第8章 因果推論
    【解説】交絡は“介入(処置)と結果”の両方に効く第三の要因。①は媒介、②は別問題、③は誤りです。
    Q99【正解】①
    【難易度】★|【出題】第9章 プライバシー
    【解説】差分プライバシーではεが大きいほど“区別しやすく”なり保護が弱い、逆に小さいほど保護が強いと解釈します。②〜④は誤解です。
    Q100【正解】②
    【難易度】★|【出題】第10章 AIガバナンス
    【解説】モデルカードは“何に・どんな条件で使えるか、どこが弱いか、どんなデータで学んだか”をまとめ、透明性を高める文書です。コードや速度だけでは不十分です。

    【設問セット(Q101〜Q120)】

    Q101. 次の(ア)~(ウ)と対策の組み合わせとして最も適切なものを選べ。
    (ア)過学習 (イ)未学習 (ウ)収束が極端に遅い
    A. モデル容量を縮小/正則化を強化 B. 特徴量・モデル容量を拡大 C. 学習率や最適化手法を調整
    ① (ア)B(イ)A(ウ)C
    ② (ア)A(イ)C(ウ)B
    ③ (ア)C(イ)B(ウ)A
    ④ (ア)A(イ)B(ウ)C

    Q102. L2正則化の係数λを大きくした場合の一般的な影響として最も適切なものを選べ。
    ① 重みが小さく抑えられ、汎化は改善しやすいが過大だと未学習化
    ② 重みが発散しやすくなり、汎化が常に悪化
    ③ 学習率が自動的に増加し収束が速くなる
    ④ 損失関数が確率的に一定値へ固定される

    Q103. 早期終了(Early Stopping)の「patience」設定の意義として最も適切なものを選べ。
    ① 一定エポック改善が無くても直ちに停止する
    ② 学習率の自動減衰を必ず有効化
    ③ バッチサイズを動的に変更する
    ④ 改善が一定期間見られない場合のみ停止し、偶然の揺らぎを無視

    Q104. 学習率ウォームアップの主な狙いとして最も適切なものを選べ。
    ① 収束後の汎化を悪化させる
    ② 学習初期の大きな勾配変動を緩和し学習を安定化する
    ③ 勾配をゼロに近づけて更新を止める
    ④ 正則化項の係数を自動最適化する

    Q105. 勾配クリッピング(gradient clipping)の主目的として最も適切なものを選べ。
    ① 勾配消失を必ず解決する
    ② 予測確率の校正を行う
    ③ 勾配爆発を抑え学習の不安定化を防ぐ
    ④ 最適解の一意性を保証する

    Q106. 次の対応として最も適切なものを選べ。
    (ア)ReLU系活性化 (イ)tanh/sigmoid中心 (ウ)非常に深い残差ネット
    A. He初期化 B. Xavier(Glorot)初期化 C. スケール維持のための適切な初期化+正規化併用
    ① (ア)A(イ)B(ウ)C
    ② (ア)B(イ)A(ウ)C
    ③ (ア)C(イ)A(ウ)B
    ④ (ア)A(イ)C(ウ)B

    Q107. 受容野(receptive field)を効率よく拡大する手法として最も適切なものを選べ。
    ① バイアス項を削除する
    ② 活性化関数を線形にする
    ③ バッチサイズのみを増やす
    ④ Dilated(空洞)畳み込みを導入する

    Q108. Batch Normalizationの推論時(inference)における挙動として最も適切なものを選べ。
    ① ミニバッチ統計を毎回再計算して用いる
    ② 学習時に蓄積した移動平均・分散を用いる
    ③ 正規化は行わずスケールのみ適用する
    ④ ランダムにスケール係数を切り替える

    Q109. Group Normalization(GN)の利点として最も適切なものを選べ。
    ① 大きなバッチでしか機能しない
    ② 入力の順序情報を必ず保存する
    ③ 小さなバッチでも安定しやすく、ミニバッチ統計に依存しない
    ④ パラメータ数が常に半減する

    Q110. 位置エンコーディングに関する記述として最も適切なものを選べ。
    ① 正弦波型は長距離一般化に強く、学習無しで位置を表現できる
    ② 学習可能型は系列順序を表せない
    ③ Transformerでは位置情報を用いない
    ④ 正弦波型は系列長に依存して毎回再学習が必要

    Q111. 自己回帰言語モデルとマスク化言語モデルの学習目標の違いとして最も適切なものを選べ。
    ① 二値分類、後者は回帰
    ② 前者は教師なし、後者は強化学習のみ
    ③ 両者とも次文関係判定を主目的
    ④ 前者は次トークン予測、後者は隠したトークン復元

    Q112. 知識蒸留における温度パラメータTの役割として最も適切なものを選べ。
    ① ラベルノイズを完全に除去する
    ② 教師の出力分布を平滑化し相対関係を学びやすくする
    ③ 生成の多様性のみを制御する
    ④ 学習率を自動で増加させる

    Q113. 量子化対応学習(QAT)の利点として最も適切なものを選べ。
    ① 量子化ビット幅を自動で最小化して0にできる
    ② 蒸留が不要になる
    ③ 学習中から量子化誤差を考慮し、推論時精度低下を抑える
    ④ 推論時には必ずFP32に戻す

    Q114. フェデレーテッドラーニング(FL)の主な利点として最も適切なものを選べ。
    ① 生データを端末外へ出さずに学習を協調でき、プライバシー配慮に寄与
    ② 端末側で学習できないため中央集約が必須
    ③ 通信を一切行わないため同期不要
    ④ 個別端末の偏りを必ず解消できる

    Q115. 高リスクAI(例:雇用・医療等)を設計する際に最低限求められる措置として最も適切なものを選べ。
    ① モデル詳細の完全公開のみ
    ② ユーザー同意のみで他は不要
    ③ 精度目標のみの契約
    ④ リスク管理・ログ保全・説明責任の体制化

    Q116. クラス重み(class weight)を損失に付与する主目的として最も適切なものを選べ。
    ① 訓練時間を短縮するため
    ② 不均衡データで少数派誤りのコストを高め学習をバランスさせる
    ③ しきい値を固定するため
    ④ 学習率を自動調整するため

    Q117. マルチタスク学習の代表的利点として最も適切なものを選べ。
    ① 各タスクを完全に独立に学習する
    ② 必ず推論速度が向上する
    ③ 共有表現の学習によりタスク間の情報を相互活用できる
    ④ データ数に関係なく過学習が起こらない

    Q118. セマンティックセグメンテーションの代表的評価指標として最も適切なものを選べ。
    ① mIoU(平均IoU)
    ② BLEU
    ③ ROUGE
    ④ NDCG

    Q119. アンカーボックス(anchor box)の役割として最も適切なものを選べ。
    ① セグメンテーションのクラス数を決める
    ② 物体検出で多様な位置・縦横比の候補領域を提供する
    ③ 画像分類のクラス確率を正規化する
    ④ 時系列予測の窓幅を決める

    Q120. ε-greedyとソフトマックス方策の違いとして最も適切なものを選べ。
    ① 前者は常に最良腕のみ、後者は完全ランダム
    ② どちらも探索を行わない
    ③ 前者は一定確率でランダム探索、後者は価値に応じ確率的に選択
    ④ 両者とも温度パラメータを必須とする


    解答・解説

    Q101【正解】④
    【難易度】★★|【出題】第5章 学習トラブル対策
    【解説】過学習→モデルを小さく/正則化強化、未学習→特徴量や容量を増やす、収束遅い→学習率や最適化を調整、が基本の分担です。
    Q102【正解】①
    【難易度】★|【出題】第5章 正則化(L2)
    【解説】L2を強めるほど重みは小さくなり過学習を抑えます。ただし強すぎると“力不足”で未学習ぎみになります。
    Q103【正解】④
    【難易度】★|【出題】第5章 Early Stopping
    【解説】patienceは「少しの間は様子見」。一時的な悪化にすぐ反応せず、一定期間改善がなければ止めます。
    Q104【正解】②
    【難易度】★★|【出題】第5章 学習率スケジューリング
    【解説】学習初期は不安定になりがち。徐々に学習率を上げる“ウォームアップ”で暴れを抑え、安定させます。
    Q105【正解】③
    【難易度】★|【出題】第5章 勾配安定化
    【解説】勾配の大きさに上限を設け、勾配爆発で学習が壊れるのを防ぐ手当です。勾配消失を直接直す手段ではありません。
    Q106【正解】①
    【難易度】★★|【出題】第5章 初期化
    【解説】ReLU系→He、tanh/sigmoid→Xavier が相性◎。超深い残差網は適切な初期化に正規化を組み合わせると安定します。
    Q107【正解】④
    【難易度】★★|【出題】第5章 CNN
    【解説】Dilated畳み込みはパラメータをあまり増やさず“見える範囲(受容野)”を広げられます。
    Q108【正解】②
    【難易度】★|【出題】第5章 正規化
    【解説】推論時は学習で溜めた“移動平均の平均・分散”を使います。毎回ミニバッチ統計は使いません。
    Q109【正解】③
    【難易度】★★|【出題】第5章 正規化
    【解説】GroupNormは“ミニバッチに頼らない”ので、小さなバッチでも安定しやすいのが利点です。
    Q110【正解】①
    【難易度】★★|【出題】第5章 位置エンコーディング
    【解説】正弦波型は学習なしで位置を表現でき、長めの系列にも比較的強い性質があります。
    Q111【正解】④
    【難易度】★★|【出題】第5章 言語モデル
    【解説】自己回帰LMは“次の語を当てる”、BERTのMLMは“隠した語を当てる”。目標が異なります。
    Q112【正解】②
    【難易度】★★|【出題】第5章 蒸留
    【解説】温度Tで教師の出力を“なめらか”にして、類似クラス間の関係まで学ばせやすくします。
    Q113【正解】③
    【難易度】★★|【出題】第7章 軽量化
    【解説】QATは学習中から量子化の誤差を織り込み、実機の低ビット推論でも精度落ちを抑えます。
    Q114【正解】①
    【難易度】★★|【出題】第7章 FL
    【解説】生データは端末に置いたまま、重みや勾配だけを集めて学習を進めるので、プライバシー配慮につながります。
    Q115【正解】④
    【難易度】★★|【出題】第10章 ガバナンス
    【解説】高リスクAIでは、リスク管理・ログ保全・説明責任などの“仕組み”が最低限必要です。精度だけでは不十分。
    Q116【正解】②
    【難易度】★★|【出題】第8章 不均衡学習
    【解説】少数派のミスを重く扱うよう損失に重みを付け、学習のバランスを取り戻します。
    Q117【正解】③
    【難易度】★★|【出題】第5章 マルチタスク
    【解説】共通の下位表現を共有すると、タスク間の知識が行き来してデータ効率や汎化が良くなります。
    Q118【正解】①
    【難易度】★|【出題】第6章 セグメンテーション
    【解説】mIoUは“予測と正解の重なり”の良さをクラスごとに測り、平均した指標の定番です。
    Q119【正解】②
    【難易度】★|【出題】第6章 物体検出
    【解説】アンカーボックスは、いろいろな位置・スケール・縦横比の“候補枠”を用意して検出を助けます。
    Q120【正解】③
    【難易度】★★|【出題】第7章 強化学習
    【解説】ε-greedyは“たまにランダム探索”、ソフトマックスは価値が高い行動ほど“選ばれやすい”確率で選択します。

    【設問セット(Q121〜Q140)】

    Q121. シャープレイ値(SHAP)の基本的な前提として適切なものを選べ。
    ① 特徴寄与は加法的に分解できる
    ② 重要度は順位のみで評価する
    ③ 局所線形性は不要である
    ④ グローバル一様重みを仮定する

    Q122. モデルの外部妥当性(external validity)を高める設計として最も適切なものを選べ。
    ① 学習と同一データで評価する
    ② 多様な分布のデータで検証する
    ③ 最高精度の閾値に固定する
    ④ 外れ値を全て除去する

    Q123. 画像分類でラベル漏洩を防ぐ前処理として適切なものを選べ。
    ① 入力の標準化
    ② データ拡張の増加
    ③ 透かし文字の削除
    ④ バッチサイズの増加

    Q124. ROC曲線で二つのモデルが交差する主な理由として適切なものを選べ。
    ① AUCが常に同じである
    ② 真陰性率が一定である
    ③ クラス比が1:1で固定
    ④ しきい値領域により優劣が変わる

    Q125. 決定木の情報利得比(Gain Ratio)の利点として最も適切なものを選べ。
    ① 属性の取り得る値の多さを補正できる
    ② 欠損値を自動で補完できる
    ③ 過学習を必ず防止できる
    ④ 計算量が常に最小である

    Q126. k-NNで「重み付き投票」を導入する主目的として適切なものを選べ。
    ① 高次元でも計算を減らす
    ② 近い隣接点を強く反映させる
    ③ クラス数を自動で最適化
    ④ スケーリングを不要にする

    Q127. ロジスティック回帰でL1正則化を選ぶ動機として正しいものを選べ。
    ① 損失を常に凸にする
    ② 非線形境界を学習する
    ③ 特徴選択効果を期待できる
    ④ 予測確率を較正する

    Q128. XGBoostで「学習率η」を小さくする際の一般的な併用策として適切なものを選べ。
    ① 深さを常に1にする
    ② サブサンプルを0にする
    ③ 早期終了を無効にする
    ④ 木の本数を増やす

    Q129. ランダムフォレストが過学習に強い主因として適切なものを選べ。
    ① ブートストラップと特徴量サブサンプル
    ② 木の深さを固定しない
    ③ 目的関数が凸である
    ④ 全特徴量を常に使用

    Q130. LSTMの「セル状態」が主に担う役割として最適なものを選べ。
    ① 勾配の符号を反転
    ② 長期情報の保持と伝搬
    ③ 出力の二値化のみ
    ④ 位置情報の埋め込み

    Q131. Vision TransformerでCLSトークンが担う典型的役割を選べ。
    ① 位置情報の付与
    ② 正規化の適用
    ③ 画像全体の表現集約
    ④ パッチの再構成

    Q132. マルチラベル分類の適切な損失関数として最も妥当なものを選べ。
    ① ソフトマックス+多クラス交差エントロピー
    ② ヒンジ損失のみ
    ③ 平均二乗誤差のみ
    ④ シグモイド+バイナリクロスエントロピー

    Q133. データ拡張でCutMixの主たる効果として適切なものを選べ。
    ① 局所依存の低減と正則化
    ② 出力の確率校正
    ③ ラベルノイズの削除
    ④ バッチ正規化の代替

    Q134. 物体検出でmAPを算出する際に必要な設定として適切なものを選べ。
    ① 画像のピクセル深度
    ② IoUしきい値の指定
    ③ 学習率スケジュール
    ④ バッチサイズの上限

    Q135. セマンティックセグメンテーションでダイス損失を用いる主理由として適切なものを選べ。
    ① 推論を高速化
    ② 位置ずれを補正
    ③ クラス不均衡に頑健
    ④ 学習率が不要

    Q136. BERT微調整時の勾配爆発対策として適切なものを選べ。
    ① 語彙の縮小
    ② ソフトマックスの削除
    ③ CLSトークンを無効化
    ④ 勾配ノルムのクリッピング

    Q137. RAGでリトリーバの品質を上げる一般的施策を選べ。
    ① エンコーダの再学習と良質コーパス
    ② デコーダの温度を上げる
    ③ 生成長を短くする
    ④ ビーム幅を狭める

    Q138. SHAP値の可視化で「summary plot」が示す主情報として適切なものを選べ。
    ① モデルの学習曲線
    ② 特徴重要度と効果の方向
    ③ サンプル間の距離関係
    ④ AUCのバラつき

    Q139. フェアネス評価で「Demographic Parity」を満たす条件として適切なものを選べ。
    ① TPRがグループ間で等しい
    ② 説明変数が同一である
    ③ 予測陽性率がグループ間で等しい
    ④ FPRがグループ間で等しい

    Q140. 個人情報保護における「目的外利用の禁止」を守るための基本対応として適切なものを選べ。
    ① 収集後に目的を自由に変更
    ② 推論出力は規制対象外
    ③ 目的を公開しないまま保管
    ④ 利用目的を明確化し同意範囲内で運用


    解答・解説

    Q121
    【正解】①
    【難易度】★★★|【出題】第10章 XAI(SHAP)
    【解説】SHAPは予測を「基準値+各特徴の寄与」の合計で表すという加法モデルを前提にします。これにより、特徴ごとの“どれだけ効いたか”を整合的に説明できます。
    Q122
    【正解】②
    【難易度】★★★|【出題】第8章 評価設計
    【解説】外部妥当性は“別分布でも通用するか”のこと。時期・地域・端末など多様なデータで検証して初めて確認できます。同一データ評価は実力を過大評価しがちです。
    Q123
    【正解】③
    【難易度】★★★|【出題】第6章 データ品質
    【解説】画像内の透かしや枠はラベルと結びつく“合図”になり、モデルが中身ではなく印を覚えてしまいます。だからまず除去します。標準化や拡張は別目的です。
    Q124
    【正解】④
    【難易度】★★★|【出題】第8章 ROC/AUC
    【解説】ROCは“しきい値”で点が動くため、低しきい値ではAが優勢、別の領域ではBが優勢…と入れ替わりが起こり、曲線が交差することがあります。
    Q125
    【正解】①
    【難易度】★★★|【出題】第5章 決定木
    【解説】情報利得は“値の種類が多い属性”を有利に見積もりがち。利得比はその偏りを正規化して公平にします。欠損補完や過学習防止を“必ず”行う機能ではありません。
    Q126
    【正解】②
    【難易度】★★★|【出題】第5章 k-NN
    【解説】重み付き投票は“近い点ほど重く、遠い点ほど軽く”。境界の細かな形を反映しやすくなります。計算削減やスケーリング不要化が主目的ではありません。
    Q127
    【正解】③
    【難易度】★★★|【出題】第5章 ロジスティック回帰
    【解説】L1は一部重みを0にしやすく、要らない特徴を自動的に落とす“特徴選択”が期待できます。確率の校正や非線形の学習は別の工夫が必要です。
    Q128
    【正解】④
    【難易度】★★★|【出題】第5章 XGBoost
    【解説】学習率を下げると一歩が小さくなる分、木の本数を増やして積み重ねます。深さ固定や早期終了の無効化は性能や汎化を損ねやすいです。
    Q129
    【正解】①
    【難易度】★★★|【出題】第5章 アンサンブル
    【解説】データをブートストラップで変え、各分割で使う特徴もランダムに絞ることで“木どうしの似すぎ”を防ぎ、過学習に強くなります。
    Q130
    【正解】②
    【難易度】★★★|【出題】第5章 LSTM
    【解説】セル状態は“重要情報の通り道”。ゲートで入れる/忘れるを制御し、長い時系列でも情報を運びます。二値化や位置埋め込みの機構ではありません。
    Q131
    【正解】③
    【難易度】★★★|【出題】第6章 ViT
    【解説】[CLS]は各パッチの情報を集約した“画像全体の代表ベクトル”。ここに線形層を載せて分類します。位置付与は別の“位置埋め込み”が担当です。
    Q132
    【正解】④
    【難易度】★★★|【出題】第6章 多ラベル学習
    【解説】多ラベルは“ラベルごとに2値判定”。出力はシグモイド、損失はBCEで独立に学びます。ソフトマックスは“1つだけ選ぶ”多クラス用です。
    Q133
    【正解】①
    【難易度】★★★|【出題】第6章 データ拡張
    【解説】CutMixは画像の一部を貼り替え、ラベルも同割合で混ぜます。局所模様への依存を下げ、正則化として効きます。BNの代替やノイズ除去ではありません。
    Q134
    【正解】②
    【難易度】★★★|【出題】第6章 検出評価
    【解説】mAPは“どれだけ重なったら正解とみなすか(IoUしきい値)”の設定が必須です。COCOでは0.5〜0.95の平均を使います。
    Q135
    【正解】③
    【難易度】★★★|【出題】第6章 セグメンテーション
    【解説】ダイス損失は“重なり”そのものを最適化するので、陽性が少ないクラスでも学習が進みやすいのが利点。高速化や位置ずれ補正の仕組みではありません。
    Q136
    【正解】④
    【難易度】★★★|【出題】第5章 BERT微調整
    【解説】勾配ノルムに上限を設けて“暴れ”を抑えるのがクリッピング。語彙を減らす、Softmaxを外す、CLSを無効にする、といった対処は本質ではありません。
    Q137
    【正解】①
    【難易度】★★★|【出題】第6章 RAG
    【解説】良い検索は良い知識ベースと良いエンコーダから。高品質コーパス整備と再学習(コントラスト学習等)で関連文書を取りやすくし、事実性を上げます。
    Q138
    【正解】②
    【難易度】★★★|【出題】第10章 XAI
    【解説】summary plotは“どの特徴が効いたか(重要度)”と“値が大きい時にプラスかマイナスか(方向)”を一目で示します。色と広がりに注目します。
    Q139
    【正解】③
    【難易度】★★★|【出題】第10章 公平性
    【解説】Demographic Parityは“陽性に出す割合”がグループで同じこと。TPRやFPRをそろえる別指標(Equal Opportunity/Equalized Odds)とは違います。
    Q140
    【正解】④
    【難易度】★★★|【出題】第9章 個人情報保護
    【解説】データを集める時に“何のために使うか”を定め、同意や法的根拠の範囲で運用します。あとから自由に目的変更、非公開で保管はNGです。

    【設問セット(Q141〜Q160)】

    Q141. 交差エントロピーとKLダイバージェンスの関係として正しい恒等式を1つ選べ。

    画像

    Q142. MAP推定がMLEに一致する条件として最も適切なものを1つ選べ。
    ① 事前分布が一様で尤度が対数凸
    ② 事前分布が指数分布で尤度が非凸
    ③ 事前分布が正規でデータが離散
    ④ 事前分布が不適切でサンプルが1件

    Q143. 0–1損失を最小化するベイズ最適分類器のルールとして最も適切なものを1つ選べ。
    ① 事後確率が最小のクラスを選ぶ
    ② 事前確率が最大のクラスを選ぶ
    ③ p(y|x)が最大のクラスを選ぶ
    ④ p(x|y)が最大のクラスを選ぶ

    Q144. ROC曲線に関する次の記述のうち正しいものを1つ選べ。
    ① AUCは「陽性が陰性より高くランク付けされる確率」に等しい
    ② AUCは常にしきい値0.5の精度に等しい
    ③ AUCはクラス不均衡の影響を直接受ける
    ④ AUCはPR曲線の面積と常に等しい

    Q145. 二値分類でしきい値を引き上げたときに一般に起こりやすい変化として最も適切なものを1つ選べ。
    ① 再現率が上がり適合率が下がる
    ② 再現率が下がり適合率が上がる
    ③ 再現率と適合率が同時に上がる
    ④ FPRだけが必ず下がるわけではない

    Q146. EMアルゴリズムの収束性質として正しいものを1つ選べ。
    ① 各反復で完全対数尤度を必ず増加させる
    ② 各反復で観測対数尤度の下限を非減少に保つ
    ③ 常に大域最適に収束する
    ④ 勾配情報を直接用いるため高速

    Q147. ベルマン最適作用素Tが割引率γ∈(0,1)の下で持つ性質として最も適切なものを1つ選べ。
    ① L1ノルムに関する拡張性
    ② 一様ノルムに関する収縮写像
    ③ 任意ノルムでの不動点非存在
    ④ 収束は学習率にのみ依存

    Q148. 方策勾配定理の要点として最も適切な説明を選べ。
    ① 報酬の符号のみで方策を更新する
    ② 対数方策の感度で価値を重み平均する
    ③ 状態価値の大小だけで方策を決定する
    ④ 遷移確率が既知でのみ適用できる

    Q149. Transformerのスケールド・ドット積Attentionで「スケーリング」を行う主目的として適切なものを1つ選べ。
    ① 勾配の分散を抑え安定化する
    ② 計算量を線形にする
    ③ 位置情報を埋め込む
    ④ 多頭化を不要にする

    Q150. 次の空欄( )に入る語の組合せとして最も適切なものを1つ選べ。
    「目標分布p(x)が明示できないとき、(ア)で学習したモデルq(x)に対し、(イ)を最小化することで近似する。」
    ① (ア)自己回帰 (イ)KL(q‖p)
    ② (ア)変分推論 (イ)KL(q‖p)
    ③ (ア)変分推論 (イ)KL(p‖q)
    ④ (ア)モンテカルロ (イ)JSダイバージェンス

    Q151. 事前にターゲット統計量を全データから算出して特徴として用いた結果、検証性能が過大評価された。この状況の名称として適切なものを1つ選べ。
    ① データドリフト
    ② ラベルリーク
    ③ ターゲットエンコードCV漏洩
    ④ 構造的欠損

    Q152. SHAPとLIMEの違いを踏まえた使い分けとして最も適切なものを1つ選べ。
    ① 線形モデルのみならLIME、非線形はSHAP
    ② 画像にはLIME、表にはSHAPと固定
    ③ どちらも確率モデルでしか使えない
    ④ グローバル一貫性を重視するならSHAP、軽量な局所近似ならLIME

    Q153. 因果推論で「バックドア基準」を満たす調整集合Zの条件として最も適切なものを1つ選べ。
    ① 介入Aから結果Yへのすべての有向経路を遮断
    ② Yの親のみを含む
    ③ 交絡が無い場合でもZを増やすほど良い
    ④ AからYへのすべての後ろ向き経路を遮断し、Aの子孫を含まない

    Q154. フロントドア調整が有効となる必要条件の組として最も適切なものを1つ選べ。
    ① A→M→Yが存在し、AとM間に強交絡、MとY間も未交絡
    ② A→M→Yが存在せず、AとYに未観測交絡がある
    ③ MがAとYの共通原因である
    ④ A→M→Yが存在し、AとM間は未交絡、MとY間はAで閉じられる

    Q155. セミスーパーバイズド学習で「自己訓練(Pseudo-Labeling)」を適用する際のリスクとして最も適切なものを1つ選べ。
    ① ノイズの伝播で誤ラベルが強化される
    ② ラベルなしデータの使用が理論上禁止
    ③ 教師なし事前学習が不可能
    ④ スケーリングの影響を受けない

    Q156. EU域内での高リスクAI提供に関し、リスク管理体制・データ品質管理・技術文書・ログ保持に加えて要求されやすい措置として適切なものを1つ選べ。
    ① アルゴリズムの完全公開
    ② 監査の任意化
    ③ 人による監督と透明性の確保
    ④ モデルの商用利用禁止

    Q157. AI調達契約のSLAにおける「説明可能性」に関する適切な合意事項として最も妥当なものを1つ選べ。
    ① モデル構造の完全開示義務
    ② すべての誤分類に対する賠償確約
    ③ 閾値を固定し変更不可とする
    ④ 重要判断の根拠提示の方法・期限・責任分担

    Q158. マルチモーダル融合で「後融合(late fusion)」を選ぶ利点として最も適切なものを1つ選べ。
    ① 各モダリティのモデルを独立に最適化しやすい
    ② 必ず表現学習が共有化できる
    ③ 同期ずれに極端に弱い
    ④ 早期段階でノイズが混入しやすい

    Q159. 自然言語生成でビームサーチ幅を極端に広げた場合に起こりやすい現象として最も適切なものを1つ選べ。
    ① 文脈整合性の向上のみ
    ② 長文ほど一貫性が必ず増す
    ③ 多様性低下と反復表現の増加
    ④ 出力確率の校正改善

    Q160. 次の空欄(ア)~(ウ)に入る語の組合せとして最も適切なものを1つ選べ。
    「差分プライバシーの(ア)性は、メカニズムを(イ)回適用すると概ねεが(ウ)するという性質を指す。」
    ① (ア)安定 (イ)単回 (ウ)減少
    ② (ア)交換 (イ)単回 (ウ)乗算
    ③ (ア)合成 (イ)複数 (ウ)加算
    ④ (ア)平滑 (イ)複数 (ウ)平方


    解答・解説

    Q141
    【正解】②
    【難易度】★★★|【出題】第8章 情報理論(CEとKL)
    【解説】交差エントロピーは CE(p,q)=H(p)+KL(p‖q)。H(p)は真の分布pの不確かさで定数、残りが「pとqのずれ(KL)」です。式の向きや符号が違う選択肢は誤りです。
    Q142
    【正解】①
    【難易度】★★★|【出題】第8章 ベイズ推定(MAP/MLE)
    【解説】事前が一様ならMAPの最大化はMLEと同じになります。尤度の凸性は一意な解の出やすさに関わりますが、MAP=MLEになるための必須条件ではありません。
    Q143
    【正解】③
    【難易度】★★★|【出題】第8章 ベイズ決定理論
    【解説】0–1損失では「もっともらしいクラス」を選べば損失最小です。つまり事後確率p(y|x)が最大のクラスを選びます。事前や尤度単独では最適になりません。
    Q144
    【正解】①
    【難易度】★★★|【出題】第8章 評価指標(ROC/AUC)
    【解説】AUCは「無作為に取った陽性のスコアが、無作為な陰性より高い確率」。しきい値0.5の精度やPR-AUCと同じという解釈は誤りです。
    Q145
    【正解】②
    【難易度】★★★|【出題】第8章 しきい値調整
    【解説】しきい値を上げる=陽性に出す条件を厳しくするので、取りこぼしが増え再現率↓、誤検知は減って適合率↑になりがちです。
    Q146
    【正解】②
    【難易度】★★★|【出題】第8章 EMアルゴリズム
    【解説】EMは毎回「観測対数尤度の下限(ELBO)」を下げないように更新します。大域最適の保証はなく、勾配を直接使うアルゴリズムでもありません。
    Q147
    【正解】②
    【難易度】★★★|【出題】第7章 動的計画法
    【解説】割引付きのベルマン最適作用素は一様ノルムで収縮写像です。そのため反復で最適価値関数という不動点に収束します。
    Q148
    【正解】②
    【難易度】★★★|【出題】第7章 方策勾配法
    【解説】方策勾配定理は、方策の「対数」の微分(感度)で行動価値を重み付けた平均が、目的関数を増やす更新方向になることを示します。①は報酬の符号だけを見る単純な更新で理論と異なる。③は状態価値だけでは行動の良し悪しが区別できない。④は環境モデル不要(モデルフリー)でも使えるため誤りです。
    Q149
    【正解】①
    【難易度】★★★|【出題】第5章 Attention機構
    【解説】クエリとキーの内積が大きくなりすぎるとsoftmaxが極端になり勾配が不安定。そこで√dkで割って分散を抑え、学習を落ち着かせます。
    Q150
    【正解】②
    【難易度】★★★|【出題】第8章 近似推論(変分法)
    【解説】変分推論は近似qでKL(q‖p)最小化(=ELBO最大化)を行い、未知のp(事後)に近づけます。KLの向きが逆の説明は別物です。
    Q151
    【正解】③
    【難易度】★★★|【出題】第8章 データリーケージ
    【解説】全データで作ったターゲット統計量(平均など)を特徴に使うと、検証に未来情報が混ざる「ターゲットエンコードのCV漏洩」です。性能が不当に良く見えます。
    Q152
    【正解】④
    【難易度】★★★|【出題】第10章 XAI(LIME/SHAP)
    【解説】全体で一貫する説明・公理的性質を重視するならSHAP。まず軽く“どこが効いたか”を素早く見るならLIMEが便利です。「線形だけ」「確率モデルだけ」などの制約はありません。
    Q153
    【正解】④
    【難易度】★★★|【出題】第8章 因果推論(バックドア)
    【解説】バックドア基準は「A→Yの後ろ向き経路(交絡経路)を全て遮断し、Aの子孫は含まない」集合Zを選ぶこと。単に有向経路を切ることや、増やせば良いという話ではありません。
    Q154
    【正解】④
    【難易度】★★★|【出題】第8章 因果推論(フロントドア)
    【解説】A→M→Yがあり、A–M間は未交絡、M–Yの裏道はAで塞げる——このときフロントドア調整で因果効果が求められます。前提を満たさないケースは適用できません。
    Q155
    【正解】①
    【難易度】★★★|【出題】第6章 半教師あり学習
    【解説】誤った疑似ラベルを学習してしまい、その誤りが更に強化される“悪循環”が起こり得ます。適切なしきい値や反復設計で緩和します。
    Q156
    【正解】③
    【難易度】★★★|【出題】第9章 法規・AIガバナンス(EU AI法)
    【解説】高リスクAIでは人の監督や透明性・追跡性の確保が重要な要件です。完全公開の義務化や商用禁止は想定外で、監査は“任意化”ではありません。
    Q157
    【正解】④
    【難易度】★★★|【出題】第9章 契約・SLA
    【解説】説明可能性のSLAでは「根拠の提示方法(例:重要特徴の提示)、提出期限、誰が対応するか」を合意します。完全開示や全誤分類の賠償、固定閾値は非現実的です。
    Q158
    【正解】①
    【難易度】★★★|【出題】第6章 マルチモーダル融合
    【解説】後融合は各モダリティを別々に最適化して、最後に結果を統合できます。設計・保守が柔軟。一方、共有表現の学習は早期融合の利点です。
    Q159
    【正解】③
    【難易度】★★★|【出題】第6章 生成タスク(デコーディング)
    【解説】ビーム幅を広げすぎると「もっともらしい表現」に集中しすぎ、多様性が下がって繰り返しが増えがちです。文脈一貫性が常に上がるわけではありません。
    Q160
    【正解】③
    【難易度】★★★|【出題】第9章 プライバシー(差分プライバシー)
    【解説】合成性:同じ個人に関わる処理を複数回すると、プライバシー予算εは概ね足し算で増えます(高級合成で改善可能)。“減少”や“乗算”ではありません。


    画像

    チャレンジ問題 時事10問

    Q1. EU AI Actの適用スケジュールとして最も適切な説明を選べ。
    ① 禁止的実務は2025年2月、GPAI義務は2025年8月開始
    ② すべての条項が2025年8月に同時施行
    ③ GPAI義務は2026年8月、全面適用は2030年
    ④ 適用時期は各加盟国が自由に設定

    Q2. OpenAIの推論特化モデル「o1」に関する要点として適切なものを選べ。
    ① 入力長の上限緩和のみが主な改良点
    ② 問題を分解・思考する時間を確保し推論性能を重視
    ③ 画像生成に特化し言語性能は縮小
    ④ オープンソースで完全公開

    Q3. Googleが発表した「Gemini 2.0 Deep Research」の狙いとして最も適切なものを選べ。
    ① 検索インデックスの削除を自動化
    ② 動画トランスコードの高速化に特化
    ③ マルチステップで外部情報を調査・要約し事実性を高める
    ④ 端末内でのみLLMを実行

    Q4. Appleの「Private Cloud Compute(PCC)」の設計思想として最も適切なものを選べ。
    ① 推論ログを長期保存して個人最適化
    ② モデルとデータを常に端末外へ送出
    ③ サーバ側計算でも個人データが検証可能な安全境界内でのみ処理
    ④ 端末上のセキュリティ機能を停止

    Q5. Metaの「Llama 3.2」ラインの位置づけとして適切なものを選べ。
    ① 企業向けクローズドモデルのみ
    ② 画像専用でテキストは非対応
    ③ 巨大モデルのみでモバイルは非想定
    ④ 小型・マルチモーダルを含み、オンデバイスでの利用も想定

    Q6. 2025年1月末、DeepSeekのモバイルアプリに起きた出来事として最も適切なものを選べ。
    ① 米App Storeの無料ランキングで首位に到達
    ② 提供国を中国国内に限定
    ③ 1か月でサービスを終了
    ④ オフライン専用アプリとして再公開

    Q7. EUが2025年7月に公表したGPAI(汎用AI)運用ガイダンスの趣旨として適切なものを選べ。
    ① GPAIはAI Actの対象外と明示
    ② 提供者はラベル不要と明記
    ③ 論文引用の禁止を勧告
    ④ GPAI提供者に透明性・安全性措置の具体指針を示す

    Q8. Mistral AIが2025年6月に発表した「Magistral」の小型版に関する説明として適切なものを選べ。
    ① 小型の推論特化モデルで、Apache 2.0で公開
    ② 画像生成専用の拡散モデル群
    ③ 推論能力を持たない埋め込み専用
    ④ 有償専売でソース非公開

    Q9. Googleが2025年8月に導入した「Temporary Chat」の仕様として適切なものを選べ。
    ① チャットは履歴保存・学習に利用せず、最大72時間で削除
    ② 既定で無期限保存し学習に活用
    ③ 有料ユーザーのみ利用不可
    ④ 常時Gemini Apps Activityに記録

    Q10. EU AI Actの「禁止的実務」の発効時期として正しいものを選べ。
    ① 2025年2月2日から適用
    ② 2025年8月2日から適用
    ③ 2026年8月2日から適用
    ④ 施行日は加盟国ごとに任意


    解答・解説

    Q1【正解】①
    【解説】EU AI Actは段階適用。禁止的実務は2025年2月2日から、GPAI(汎用AI)義務は2025年8月2日から、全面適用は2026年8月2日が基本スケジュールです。②③④はいずれも時期の取り違え。
    Q2【正解】②
    【解説】OpenAI「o1」系は“推論に時間を使う”設計で、思考の分解や中間推論を重視したモデルとして説明されています。①は主眼ではなく、③は誤り、④はオープンソースではありません。
    Q3【正解】③
    【解説】Gemini 2.0 Deep Researchは、複数ステップで情報を収集・検証して要約する「深い調査」を目的とし、事実性・網羅性の向上を狙います。①②④は機能の趣旨と異なります。
    Q4【正解】③
    【解説】AppleのPCCは、個人データを保護するため、サーバ側でも検証可能な安全境界(専用設計のクラウド実行環境)内でのみ処理を行う設計。ログの長期保存や無制限送出を前提としていません。
    Q5【正解】④
    【解説】MetaのLlama 3.2は小型・マルチモーダルの構成を含み、オンデバイス利用も想定するラインとして公式に説明されています。①②③はいずれも公式説明に反します。
    Q6【正解】①
    【解説】2025年1月27日頃、DeepSeekのアプリは米App Storeの無料ランキングで首位に。複数の主要メディアが報じています(TechCrunch、Reuters、Engadget等)。②③④は事実と異なる記述。
    Q7【正解】④
    【解説】EUは2025年7月、GPAI提供者向けに透明性・安全性措置の実施方法などを記したガイダンス(Q&Aや実装指針)を公表。GPAIをAI Actの対象外とするなどの記載はありません。
    Q8【正解】①
    【解説】Mistralは2025年6月、「Magistral」を推論特化モデルとして発表。小型版「Magistral Small」は約24B規模で、Apache 2.0ライセンスで公開と明記されています。②③④は誤り。
    Q9【正解】①
    【解説】Googleは2025年8月、Temporary Chatを発表。履歴に保存せず、学習・パーソナライズにも利用しない設計で、チャットは最大72時間保持後に削除。段階的に展開されました。②③④は仕様と合致しません。
    Q10【正解】①
    【解説】EU AI Actの「禁止的実務(Unacceptable risk)」は2025年2月2日から適用。その他の義務は段階的に順次適用されます。②③④はいずれも期日や解釈が不正確。



    画像


    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。


    関連記事


     
     
    「人生は自己育成ゲーム」というコンセプトで、資格やスキルの話などを緩くやりたいと思っています。

    あなたへのおすすめ