メインコンテンツへスキップ
見出し画像

【G検定対策】シラバス2024年版 模擬問題7

    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。シラバスカバー率をあげるため過去6回で未出題・出題希少キーワードを意識して作成しました。
    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. 古典的な「AI効果(AI effect)」とは何を指す概念か?
    ① AIによる雇用の創出
    ② 一度AIが実現した機能はもはやAIとは認識されなくなる傾向
    ③ AIが社会に与える倫理的影響
    ④ AIの自己進化によるシンギュラリティ

    Q2. 「シンギュラリティ」が議論される背景にある仮定として正しいものはどれか?
    ① 全てのAIは人間によって完全に制御可能である
    ② AIが進化し続け、人間の知能を超える臨界点が到来する可能性
    ③ 人間の感情を持つロボットが既に存在すること
    ④ 社会的AIの導入が困難であること

    Q3. 「シンボルグラウンディング問題」とはどのような課題か?
    ① AIの意思決定の非対話性
    ② 言語や記号が現実世界とどう結びつくかを説明する難しさ
    ③ 活性化関数の選定困難性
    ④ ニューラルネットワークの汎化性能の低さ

    Q4. 「中国語の部屋」思考実験が示唆するAIの限界とは何か?
    ① 言語翻訳AIの精度限界
    ② 知能のあるふりをしていても理解はしていないこと
    ③ セマンティックエラーの不可避性
    ④ 翻訳能力と知識獲得は独立であるという点

    Q5. 「ローブナーコンテスト」が目指すのはどのような評価か?
    ① 機械翻訳精度の競争
    ② AIによる画像生成の自然さ
    ③ 機械がどれだけ人間らしい会話を模倣できるか
    ④ 自律走行の精度測定

    Q6. ネオコグニトロンが初めて導入した重要なアイデアはどれか?
    ① 自己符号化による圧縮
    ② 畳み込み処理と局所受容野による視覚処理構造
    ③ 勾配消失への対処機構
    ④ 音声認識のRNN適用

    Q7. LeNetが持つ構造的特徴として適切なものはどれか?
    ① 自己回帰構造と注意機構
    ② 単層パーセプトロンで構成されている
    ③ 畳み込み層とプーリング層を交互に重ねたCNNの原型
    ④ バッチ正規化とReLUによる高速学習

    Q8. Contrastive Lossの目的として正しいものはどれか?
    ① 同一クラス同士の特徴ベクトルを遠ざける
    ② 異なるクラス間の距離を最小化する
    ③ 類似なサンプルは近く、非類似なサンプルは遠くに埋め込むよう学習
    ④ 全データを同一の空間にマッピングする

    Q9. Triplet Lossにおいて、「アンカー・ポジティブ・ネガティブ」の関係性として適切なのはどれか?
    ① アンカーとネガティブの距離を最小化
    ② ポジティブとネガティブを区別しない
    ③ アンカーとポジティブの距離を縮め、ネガティブは遠ざける
    ④ 全ての距離をゼロに近づける

    Q10. VQ-VAE(ベクトル量子化変分オートエンコーダ)の特徴はどれか?
    ① 連続潜在空間のみを利用する
    ② 入力に対する誤差逆伝播を遮断する
    ③ 離散潜在空間を導入し、生成の多様性を向上させる
    ④ 自己注意を用いた系列処理に特化する

    Q11. Instance Normalizationが特に有効とされるタスクはどれか?
    ① セマンティックセグメンテーション
    ② 音声合成
    ③ スタイル変換(Style Transfer)
    ④ 自動運転の経路予測

    Q12. Group NormalizationがBatch Normalizationより優れる場面はどれか?
    ① バッチサイズが非常に小さい場合
    ② 入力データがテキストの場合
    ③ 時系列予測において計算量を削減したい場合
    ④ 出力層に正則化をかけたい場合

    Q13. Grad-CAMが可視化する情報として正しいものはどれか?
    ① 特徴量の勾配値そのもの
    ② モデルの重みの分布
    ③ 予測に強く寄与した画像領域
    ④ 入力画像のヒストグラム

    Q14. RandAugmentの特徴として正しいものはどれか?
    ① すべての画像に同じ変換を適用する
    ② あらかじめ定義された変換候補からランダムに適用する
    ③ 学習中に変換候補が更新される
    ④ 人手による変換設計が必須である

    Q15. モデル軽量化技術「宝くじ仮説(Lottery Ticket Hypothesis)」が示唆するのはどれか?
    ① モデルの性能は層数に比例する
    ② ランダムな初期化は常に非効率である
    ③ 大きなネットワークの一部には、単独で高性能なサブネットが含まれている
    ④ 勾配を全て削除することで精度が向上する

    Q16. Unified-IOが実現する統合処理の対象に含まれるものはどれか?
    ① 時系列解析と構文解析の統一
    ② 画像生成と翻訳の同時学習
    ③ 入力形式を問わず、視覚・言語・構造情報を統合的に処理
    ④ パラメータ共有による多言語処理の高速化

    Q17. Few-shot Learningにおいて、学習の安定化に最も寄与する条件はどれか?
    ① 少数データに対して過学習を促進する
    ② モデルをランダムに初期化する
    ③ 事前学習済みモデルをベースにし、類似タスクで微調整する
    ④ 層を追加して情報量を増やす

    Q18. マルチモーダルモデル「CLIP」の学習対象はどれか?
    ① 自然言語のみ
    ② 画像と自然言語の対応関係
    ③ 動画と音声の同期性
    ④ 計算グラフの最適化

    Q19. PoC契約における「請負契約」と「準委任契約」の違いとして正しいものはどれか?
    ① 請負は作業の過程を保証し、準委任は成果を保証する
    ② 準委任は成果責任を問わず、請負は成果物に対する責任を伴う
    ③ 両者とも結果責任が求められる
    ④ 契約形態による違いは存在しない

    Q20. CRISP-MLの目的として最も適切なものはどれか?
    ① データ前処理の自動化
    ② モデル圧縮手法の評価
    ③ AIプロジェクトのライフサイクルに対応した業務プロセス設計
    ④ データの正規化アルゴリズムの統一


    Q21. モデル解釈性の手法「SHAP」と「LIME」の違いとして正しいものはどれか?
    ① SHAPは確率論に基づくが、LIMEは決定論的である
    ② SHAPは特徴量ごとの貢献度をゲーム理論で定量化、LIMEは局所的な線形モデルで説明
    ③ LIMEは勾配情報を可視化し、SHAPは注意重みを可視化する
    ④ 両者ともブラックボックスモデルに適用できない

    Q22. Flamingoモデルが従来のマルチモーダルモデルと異なる点はどれか?
    ① 画像認識と機械翻訳を同時に学習できる
    ② 少数の例示だけで複雑な視覚・言語タスクに対応できる
    ③ 時系列処理に特化している
    ④ 音声と画像の同時学習に対応する

    Q23. AIプロジェクトにおける「準委任契約」が選ばれる理由として正しいものはどれか?
    ① 成果物に対する責任が求められるため
    ② 業務遂行に柔軟性があり、不確実性の高い開発に適しているため
    ③ 料金が固定されるため
    ④ 成果の法的保証が不要であるため

    Q24. 「sim2real(シム・トゥ・リアル)」の技術的課題として最も当てはまるものはどれか?
    ① 実世界でのラベル付けが不要になる
    ② シミュレーション環境で学習した知識が現実世界でそのまま適用できないこと
    ③ 実環境では逆伝播が不可能であること
    ④ モデルの過学習を防げないこと

    Q25. 「ドメインランダマイゼーション」はどのような効果を狙った技術か?
    ① 入力データのセキュリティ強化
    ② ラベルのランダム化によるノイズ除去
    ③ シミュレーション環境を多様化し、現実への汎化能力を高める
    ④ クラスタラベルの削減

    Q26. OpenPoseが活用される領域として最も適切なものはどれか?
    ① 医療におけるMRI画像のノイズ除去
    ② 人体姿勢推定によるモーション解析
    ③ 顔認識におけるマスク着用判定
    ④ 音声信号のノイズ除去

    Q27. AIにおける「モデル汚染(Model Poisoning)」とは何を指すか?
    ① モデルが予期せぬ形式で出力を行う
    ② 外部からの意図的な悪意あるデータ注入により、学習・推論精度を崩す攻撃手法
    ③ 学習済みモデルの容量が極端に大きいこと
    ④ モデルの出力がすべてゼロになること

    Q28. AI倫理における「死者への敬意」として問題視される応用はどれか?
    ① 過去のデータによる予測モデルの作成
    ② 故人の顔や声を模した生成コンテンツを本人同意なく作成・公開すること
    ③ デジタル遺産の解析
    ④ 記念碑的AIの開発

    Q29. 「インクルージョン」の倫理的意義として最も適切なものはどれか?
    ① AIは全ての情報を処理すべきという技術的原則
    ② 特定集団にとって使いづらい設計を避け、包摂的な設計を行う考え方
    ③ ノイズを含んだサンプルを除外する手法
    ④ モデルの訓練時間を短縮する方法

    Q30. モデル学習の電力消費に関する課題として正しいものはどれか?
    ① 電力が少ないとモデルの精度が落ちる
    ② 電力消費の多さは、持続可能性や環境負荷への懸念を生む
    ③ 電力消費はチューニング可能であるため問題とされない
    ④ 学習済みモデルの再利用で消費電力は増加する

    Q31. 「限定提供データ」とは法律上どのような性質を持つか?
    ① 営業秘密と異なり、自由に再配布可能である
    ② 法的保護を受けることはない
    ③ 不正競争防止法により、契約等に基づき一定条件下で利用を制限できる情報
    ④ 公開情報に準ずる

    Q32. 「職務発明」としてAIモデルが該当する場合、法的に最も関連するのはどれか?
    ① 不正競争防止法
    ② 特許法
    ③ 著作権法
    ④ 労働基準法

    Q33. GDPRが定める「自動化された処理による意思決定の制限」に関する内容として適切なものはどれか?
    ① AIによる意思決定は常に許可される
    ② データ主体はその判断に関与する権利を持つ
    ③ 全てのAIはオープンソースでなければならない
    ④ 訓練データを削除する義務がある

    Q34. 著作権法第30条の4は、AIによる何を合法化しているか?
    ① 利用者の無断転載
    ② 検索エンジンによるキャッシュ生成
    ③ データマイニングのための著作物の利用(非営利かつ再識別困難を条件に)
    ④ 同人誌の自動生成

    Q35. ソフトローとハードローの違いとして正しいものはどれか?
    ① ソフトローは勧告・ガイドラインなどの非強制規範であり、ハードローは法的拘束力を持つ
    ② ソフトローは国際法、ハードローは国内法に限定される
    ③ ハードローは人権保護に関係しない
    ④ ソフトローは学会が定め、ハードローはAIが生成する

    Q36. 「AIと民主主義」の関係で問題視される「フィルターバブル」の意味はどれか?
    ① 大規模モデルの学習効率を高める技術
    ② 情報推薦により個人が偏った情報しか得られなくなる状況
    ③ 政治的な意見を統一する機能
    ④ モデルの評価指標を統合する方式

    Q37. ディープフェイクが社会的リスクを高める理由として最も適切なものはどれか?
    ① 精度が低く、信頼できないため
    ② 本人の許可なく偽動画を生成し、誤情報の拡散や名誉毀損につながるため
    ③ 音声が認識されないため
    ④ 教師なし学習だから

    Q38. AIにおける「説明責任(Accountability)」の達成手段として適切なものはどれか?
    ① 出力トークン数の最適化
    ② モデルの設計・訓練・利用履歴を記録し、第三者に検証可能にする
    ③ 正則化項の追加
    ④ 活性化関数の可視化

    Q39. 「AIの軍事利用」に関し、国際的な倫理議論の焦点となっている懸念はどれか?
    ① 損失関数の設計
    ② 自律兵器による人間の関与なき致死性判断
    ③ データ転送速度の遅さ
    ④ モデル軽量化の実現性

    Q40. AIガバナンスの一手法である「倫理アセスメント」の目的はどれか?
    ① モデルの圧縮率を算出すること
    ② モデルがGDPRに準拠しているかを検証すること
    ③ 開発・導入プロセスにおける倫理的リスクを事前評価・可視化すること
    ④ 出力トークンの長さを調整すること


    Q41. 「ノーフリーランチ定理」がAIアルゴリズムに与える示唆として正しいものはどれか?
    ① どんな学習アルゴリズムでも全ての問題に対して等しく良い性能を示す
    ② 一つのアルゴリズムがあらゆるタスクで最適となることはない
    ③ すべてのAIモデルは最終的に収束する
    ④ パラメータ数が多いほど学習効果が高くなる

    Q42. 「鞍点(saddle point)」とはどのような学習上の問題か?
    ① 局所最小点で学習が停止する問題
    ② 勾配が極端に大きくなる現象
    ③ 勾配がゼロで方向性が定まらず、学習が停滞する点
    ④ 出力が確率分布にならない点

    Q43. 「二重降下現象(Double Descent)」が意味するのはどれか?
    ① 学習率を2段階で設定すると収束が早くなること
    ② パラメータ数が増えると一度精度が悪化し、その後再び改善される現象
    ③ 畳み込み層での過学習と未学習の交錯
    ④ 再帰構造による精度変動

    Q44. 深層学習における「信用割当問題(Credit Assignment Problem)」とはどのような課題か?
    ① 正解ラベルの設定が不可能な問題
    ② 入力と出力の対応づけが不明確である問題
    ③ 出力誤差がどの中間層の活動によるものかが不明確で、学習が難しい問題
    ④ 層の重みを初期化できない問題

    Q45. データ拡張手法「CutMix」の特徴はどれか?
    ① 元画像の全体にランダムノイズを加える
    ② 複数画像を加算平均する
    ③ 画像の一部領域を別画像で置換し、ラベルも混合する
    ④ 画像の中央を常に黒塗りにする

    Q46. 「CAM(Class Activation Mapping)」の適用条件として正しいものはどれか?
    ① 中間層に必ずバッチ正規化を含む必要がある
    ② 全結合層のない構造であればどんなネットワークにも適用可能
    ③ 畳み込み層の特徴マップとクラスごとの重みを使って、分類根拠となる領域を可視化する
    ④ 入力画像のノイズを除去する手法である

    Q47. モデル圧縮手法としての「構造的剪定(structured pruning)」に関する説明として適切なのはどれか?
    ① 活性化関数をランダムに無効化する
    ② パラメータ全体を1ビットに量子化する
    ③ ネットワークの特定のフィルターやチャネル単位で除去する
    ④ モデルをシャッフルして構造を崩す

    Q48. 「Depthwise Separable Convolution」が通常の畳み込みと比べて持つ利点はどれか?
    ① モデルの出力を強制的に2値にする
    ② 計算量が減少し、モバイル端末向けに最適化しやすい
    ③ 活性化関数を不要とする
    ④ 損失関数の値を自動で調整する

    Q49. 「Atrous Convolution(空洞畳み込み)」がセグメンテーションに効果的とされる理由はどれか?
    ① 入力画像の画質を高める
    ② 畳み込みの受容野を広げつつ、解像度を保ったまま処理できるため
    ③ 層の深さを自動で調整できるため
    ④ 入力の次元数を固定するため

    Q50. データ拡張手法「Mixup」の特徴はどれか?
    ① 入力画像に対して逆方向の勾配を加える
    ② 2つの入力画像とラベルを線形結合して新しい学習サンプルを生成する
    ③ 出力層を重複させることで汎化性能を高める
    ④ パディングを削除してデータ量を削減する

    Q51. L0正則化の主な目的として正しいものはどれか?
    ① パラメータ間の距離を最小化する
    ② 不要な重みを完全に0にしてモデルをスパース化する
    ③ パラメータの全てを正に保つ
    ④ 学習率を一定に保つ

    Q52. 「β-VAE」が通常のVAEと異なる点として正しいものはどれか?
    ① 入力データをラベル付きで扱う
    ② 潜在変数の次元数を増やす
    ③ 潜在空間の意味的解釈性を高めるため、KL項に重みを付ける
    ④ 出力層に自己回帰構造を持たせる

    Q53. ディープラーニングにおける「BPTT(Backpropagation Through Time)」はどのような文脈で使われるか?
    ① 画像認識における勾配伝播
    ② 強化学習の報酬割当処理
    ③ 時系列データに対するRNNの学習
    ④ 畳み込みの計算コスト削減

    Q54. Transformerの学習において「Teacher Forcing(教師強制)」を使う理由はどれか?
    ① モデルのサイズを減らすため
    ② 過学習を促進するため
    ③ 出力を次の入力として使わず、正解ラベルを入力することで学習を安定化させるため
    ④ 訓練データを複製するため

    Q55. CutoutとCutMixの主な違いは何か?
    ① Cutoutは画像の一部を削除するが、CutMixは他の画像と組み合わせる
    ② CutMixはバッチ正規化を前提とする
    ③ Cutoutはラベルを変えないが、CutMixはラベルを混合する
    ④ ①と③の両方

    Q56. Grad-CAMが従来のCAMと異なる点として正しいものはどれか?
    ① Grad-CAMは全結合層の出力に依存しない
    ② Grad-CAMは任意のCNNで使用できる拡張手法で、勾配を使って可視化を行う
    ③ CAMはGrad-CAMよりも高解像度である
    ④ 両者は活性化関数の種類によって使い分けられる

    Q57. 「infoVAE」がVAEに導入する主な改良点はどれか?
    ① 損失関数に情報量最大化項を加え、潜在変数に多くの意味を持たせる
    ② 出力層をLSTMに置き換える
    ③ 活性化関数にReLU以外を使う
    ④ KL項を完全に除去する

    Q58. CutMixの応用として効果が期待されるタスクはどれか?
    ① セマンティックセグメンテーション
    ② 少数データの画像分類
    ③ テキスト要約
    ④ 時系列異常検知

    Q59. 機械学習モデルにおける「トイ・プロブレム」の意味として最も適切なものはどれか?
    ① 実世界と関係なく、モデルの検証を目的とした単純化された問題設定
    ② ゲーム理論に基づく予測問題
    ③ 出力層の活性化問題
    ④ 学習率のチューニング手法

    Q60. 「身体性(Embodiment)」の概念が強調されるのはどのような理由か?
    ① モデルの推論速度を向上させるため
    ② AIがセンサーや身体を通じて世界と関わることで、意味理解の基盤が形成されると考えられているため
    ③ 音声認識の精度向上を目的とするため
    ④ 活性化関数を可視化するため


    Q61. SHAP値の計算根拠となる理論として正しいものはどれか?
    ① 統計的推定理論
    ② ベイズ推論理論
    ③ ゲーム理論におけるシャプレー値
    ④ 勾配最適化理論

    Q62. 「マハラノビス距離」の特徴として正しいものはどれか?
    ① データの標準偏差のみを考慮する距離
    ② 全ての距離を1に正規化する
    ③ 共分散行列を用いてスケールや相関を考慮した距離
    ④ クラスタ数に依存する距離

    Q63. 偏相関係数とはどのような指標か?
    ① 2変数の間に第3の変数の影響を除いたうえでの相関を示す
    ② 変数の平均を除外した相関
    ③ 時系列データの自己相関を示す係数
    ④ 全ての変数に対して一様な相関を仮定する

    Q64. 「相互情報量」が最大となるのはどのような状況か?
    ① 変数が完全に独立であるとき
    ② 片方の変数が常に0であるとき
    ③ 一方の変数から他方を完全に予測できるとき
    ④ 両変数が正規分布に従うとき

    Q65. Diffusion Modelの「拡散過程」における目的はどれか?
    ① 元データに段階的にノイズを加えることで、生成学習の基礎分布を作る
    ② ラベル予測を強化する
    ③ 正規化を適用して特徴量を整える
    ④ 自己注意の位置情報を強調する

    Q66. NeRF(Neural Radiance Fields)の主な用途として適切なものはどれか?
    ① 音声感情認識
    ② 動画の字幕生成
    ③ 複数視点からの3次元シーン再構成
    ④ 自動運転の軌道予測

    Q67. PaLM(Pathways Language Model)の設計思想として正しいものはどれか?
    ① 少数のパラメータを用いた軽量モデル
    ② マルチタスクを一つのモデルで同時に学習可能にする設計
    ③ ハードウェア依存を排除した構造
    ④ 出力トークン数を固定化した構造

    Q68. 自己教師あり学習で使われる「前テキスト予測(Next Token Prediction)」とはどのような学習か?
    ① 与えられた系列の直後のトークンを予測するタスク
    ② ランダムな文脈を生成するタスク
    ③ 画像ラベルを予測するタスク
    ④ 各単語の品詞を推定するタスク

    Q69. Few-shotとOne-shot Learningの違いとして正しいものはどれか?
    ① Few-shotはラベルなしデータを用いるが、One-shotは教師ありである
    ② Few-shotは複数例、One-shotは1例のみで新タスクに対応する学習
    ③ One-shotは事前学習が不要である
    ④ Few-shotでは訓練とテストで同じデータを使う

    Q70. 自己教師あり学習における代表的な手法として正しいものはどれか?
    ① モデル剪定
    ② BERTのMasked Language Modeling
    ③ Random Forest
    ④ GMMクラスタリング

    Q71. AIにおいて「フェイクニュースの拡散」が問題視される理由として適切なものはどれか?
    ① コンピュータウイルスの感染源となるため
    ② ディープフェイクと連動して社会的混乱や誤情報の拡散を助長するため
    ③ モデル圧縮が困難になるため
    ④ テキストの形態素解析が不可能になるため

    Q72. 「フィルターバブル」が社会に与えるリスクとして最も適切なものはどれか?
    ① AIモデルの学習効率が下がる
    ② 利用者が限られた情報に囲まれ、多様な意見や事実に触れにくくなる
    ③ モデルの精度が必ずしも保証されなくなる
    ④ テキスト処理での文法誤りが増える

    Q73. AI倫理の議論で「人間の自律性」が強調される理由はどれか?
    ① AIが労働力を完全に代替するから
    ② 人間が最終的な判断を下せる状況を確保し、責任の所在を明確にするため
    ③ モデルの勾配が収束しにくいため
    ④ 活性化関数が固定されるから

    Q74. AIと民主主義の関係で問題視される「エコーチェンバー」とはどのような現象か?
    ① 同じ意見ばかりが繰り返し可視化され、偏りが強化される情報環境
    ② 複数モデルを連携させる手法
    ③ 誤情報に対する自動訂正機能
    ④ 意見の相違を可視化するための手法

    Q75. SaaS契約におけるAI導入での注意点として正しいものはどれか?
    ① サービス側のモデル構造を完全に制御可能である
    ② モデルの著作権を自動で移転できる
    ③ 利用規約上、ユーザーデータの二次利用が行われる可能性を把握する必要がある
    ④ SaaSではAPI提供が禁止されている

    Q76. AIプロジェクトの評価段階でCRISP-MLが推奨するのはどれか?
    ① 実装段階の全スクリプト削除
    ② モデル学習の途中停止
    ③ 業務指標やビジネスKPIに基づいた性能評価
    ④ モデル選定をランダムに行う

    Q77. AIプロジェクトにおける「BPR(Business Problem Reframing)」とは何か?
    ① ハイパーパラメータ最適化の手法
    ② 顧客視点から課題を再定義し、AI導入が有効か再評価する工程
    ③ AIモデルの再学習アルゴリズム
    ④ パラメータを共有するためのメタ学習手法

    Q78. PoC段階での法的留意点として適切なものはどれか?
    ① 結果が出れば契約内容は不要
    ② 利用データの著作権や個人情報取扱の明確化が必要
    ③ 実証実験では契約義務がない
    ④ 使用モデルがブラックボックスでも問題ない

    Q79. MLOpsの主な目的として正しいものはどれか?
    ① 学習データの永久保管
    ② モデルの訓練を人手で行う
    ③ 開発から運用・監視までを一貫して自動化し、継続的な品質管理を行う
    ④ テストデータを削除する

    Q80. AI導入における「リスクベースアプローチ」の本質的な考え方はどれか?
    ① モデルの自由度を最大化する
    ② リスクの大きさに応じて管理・制御の水準を調整すること
    ③ 全てのAIに一律の規制を適用する
    ④ モデル出力の速度を均等にする


    Q81. Transformerにおける「位置エンコーディング(Positional Encoding)」の主な役割はどれか?
    ① 出力トークンの整合性を確認するため
    ② 順序情報がないAttention機構に、系列の位置情報を補うため
    ③ モデルのサイズを削減するため
    ④ 活性化関数の動作を制御するため

    Q82. Attentionの「自己注意(Self-Attention)」における特徴として正しいものはどれか?
    ① 各単語が他の単語を均等に重視する仕組み
    ② すべての系列を固定長に変換する仕組み
    ③ 各単語が文中の他の単語と自分自身の関係性を学習する仕組み
    ④ クラスタリングを前提とした構造

    Q83. Transformerベースのモデルで位置情報の明示的入力が必要とされる理由はどれか?
    ① アーキテクチャに再帰構造があるため
    ② 畳み込みを用いていないため
    ③ 順序に関する情報をAttentionだけでは取り扱えないため
    ④ 出力次元数を維持するため

    Q84. Attentionの「マルチヘッド機構」の利点として正しいものはどれか?
    ① モデルサイズを削減できる
    ② 同一の重みで複数タスクを処理可能にする
    ③ 異なる視点での注意を並列に学習することで表現力を向上させる
    ④ 活性化関数を制御するための仕組みである

    Q85. Vision Transformer(ViT)の入力処理における特徴はどれか?
    ① 画像をそのまま系列データとして読み込む
    ② ピクセルごとに自己注意を適用する
    ③ 画像を固定サイズのパッチに分割し、系列化して処理する
    ④ 活性化関数をランダムに変更する

    Q86. LLM(大規模言語モデル)における「プロンプトエンジニアリング」の目的はどれか?
    ① モデルの層構造を自動変更する
    ② 入力の形式や内容を調整し、目的に応じた出力を引き出す
    ③ 出力結果のスピードを上げる
    ④ トークン長を減らすための手法

    Q87. RLHF(Reinforcement Learning with Human Feedback)が導入された目的はどれか?
    ① モデルの重みを手動で設定するため
    ② 出力に人間の好ましさを反映させるため
    ③ 学習率を固定するため
    ④ 誤差逆伝播を回避するため

    Q88. モデル圧縮における「知識蒸留(Knowledge Distillation)」の特徴はどれか?
    ① モデルの入出力を完全に削除する手法
    ② 教師モデルの知識を学生モデルに転送し、小型モデルでも高性能を実現する手法
    ③ ランダムなパラメータ削除手法
    ④ ハードウェア依存の構造圧縮手法

    Q89. 畳み込みニューラルネットワーク(CNN)の「プーリング層」の役割はどれか?
    ① 重みを増やして特徴を拡張する
    ② 空間的次元を縮小し、計算負荷を軽減しつつ特徴抽出を助ける
    ③ モデルの学習率を一定に保つ
    ④ 活性化関数を削除する

    Q90. 「バッチ正規化(Batch Normalization)」の主な利点として正しいものはどれか?
    ① モデルを単層に変換できる
    ② 勾配消失を促進する
    ③ 層ごとの内部共変量シフトを軽減し、学習を安定化させる
    ④ パラメータの数を削減する

    Q91. 「活性化関数ReLU」の主な特徴として正しいものはどれか?
    ① 全ての値をシグモイド関数に変換する
    ② 勾配が飽和しやすい特性を持つ
    ③ 負の値を0にし、非線形性と計算効率を兼ね備える
    ④ 正の値だけを取り出して使用する

    Q92. 「シグモイド関数」の欠点として挙げられる現象はどれか?
    ① 勾配爆発
    ② 勾配消失
    ③ 入力データのスパース化
    ④ パラメータの過剰適合

    Q93. 「過学習(Overfitting)」が発生する典型的な原因はどれか?
    ① モデルが入力のバッチサイズを最適化できない
    ② 訓練データに対して過剰に適合し、汎化能力が失われる
    ③ モデルの出力が一定になる
    ④ 活性化関数が固定されている

    Q94. 「Early Stopping」が効果的に働くのはどのような状況か?
    ① 検証誤差が増加し始めた時点で学習を停止し、過学習を防ぐ
    ② 訓練誤差が下がらない時点で停止する
    ③ 活性化関数が一定に保たれる場合
    ④ モデルの重みを固定したい場合

    Q95. 機械学習でよく用いられる「F1スコア」とは何の調和平均か?
    ① 精度とAUC
    ② 適合率と再現率
    ③ 正解率と誤分類率
    ④ 損失関数と正則化項

    Q96. ROC曲線のAUCが1に近い場合、モデルの性能はどのように評価されるか?
    ① 無作為分類と同程度
    ② 優れている
    ③ 過学習している
    ④ 精度が低い

    Q97. 「ドロップアウト(Dropout)」の主な目的はどれか?
    ① 層数を自動調整する
    ② ニューロンを一時的に無効化し、過学習を防ぐ
    ③ パラメータ数を倍増させる
    ④ 活性化関数を変更する

    Q98. ディープニューラルネットにおいて「勾配爆発」が発生するとどうなるか?
    ① 学習が非常に遅くなる
    ② 勾配がゼロになり更新されない
    ③ 勾配が極端に大きくなり、学習が不安定になる
    ④ 層の数が減る

    Q99. LSTMがRNNと異なる点はどれか?
    ① 層数が常に1である
    ② 時系列の順序を保存しない
    ③ 勾配消失を防ぐためのゲート構造を持つ
    ④ 活性化関数が異なる

    Q100. 自然言語処理における「形態素解析」とは何か?
    ① 文の感情を分類する処理
    ② 文を単語や語句の最小単位に分割し、品詞などを付与する処理
    ③ 複数文を一文に統合する処理
    ④ 音声をテキストに変換する処理


    Q101. AIの「ブラックボックス問題」とは何を指すか?
    ① AIが自動的に自己修正を行うこと
    ② AIの処理過程が人間にとって理解困難であること
    ③ AIが外部からの攻撃に対して脆弱であること
    ④ AIがデータを無断で収集すること

    Q102. 「シンギュラリティ」とは何を意味するか?
    ① AIが人間の知能を超える時点
    ② AIが自己学習を停止する現象
    ③ AIが感情を持つようになること
    ④ AIが物理的な形態を持つこと

    Q103. 「フレーム問題」とは何か?
    ① AIが新しいフレームを生成できない問題
    ② AIが状況の変化に適切に対応できない問題
    ③ AIが画像のフレームを認識できない問題
    ④ AIがフレームワークを選択できない問題

    Q104. 「中国語の部屋」問題は何を示しているか?
    ① AIが中国語を理解できないこと
    ② AIが意味を理解せずに応答すること
    ③ AIが多言語対応できないこと
    ④ AIが部屋の中で動作できないこと

    Q105. 「ローブナーコンテスト」の目的は何か?
    ① AIの計算速度を競うこと
    ② AIの創造性を評価すること
    ③ AIが人間らしく会話できるかを評価すること
    ④ AIの記憶容量を測定すること

    Q106. 「ネオコグニトロン」は何のために開発されたか?
    ① 音声認識のため
    ② 画像認識のため
    ③ テキスト生成のため
    ④ 音楽生成のため

    Q107. 「LeNet」はどのようなモデルか?
    ① 自然言語処理用のモデル
    ② 音声認識用のモデル
    ③ 手書き文字認識用の畳み込みニューラルネットワーク
    ④ 強化学習用のモデル

    Q108. 「VQ-VAE」の特徴は何か?
    ① 連続的な潜在変数を使用する
    ② 離散的な潜在変数を使用する
    ③ 時系列データの予測に特化している
    ④ 音声データのみを扱う

    Q109. 「Contrastive loss」はどのような目的で使用されるか?
    ① 類似度の高いデータを引き離すため
    ② 類似度の高いデータを近づけ、異なるデータを引き離すため
    ③ データのノイズを増加させるため
    ④ データの次元を削減するため

    Q110. 「Group Normalization」の利点は何か?
    ① バッチサイズに依存しない正規化が可能
    ② 計算コストが高い
    ③ 適用が困難である
    ④ 特定のデータセットにのみ有効

    Q111. 「Depthwise Separable Convolution」の主な利点は何か?
    ① モデルの精度を低下させる
    ② 計算効率を向上させ、モデルを軽量化する
    ③ モデルの複雑性を増加させる
    ④ 特定のハードウェアでのみ動作する

    Q112. 「RandAugment」は何のために使用されるか?
    ① データの前処理を簡素化するため
    ② データ拡張のパラメータを自動で選択するため
    ③ モデルの学習率を調整するため
    ④ モデルの構造を変更するため

    Q113. 「Grad-CAM」は何を可視化する手法か?
    ① モデルの重み
    ② 入力データの分布
    ③ モデルの予測に対する入力の貢献度
    ④ モデルの学習曲線

    Q114. 「宝くじ仮説」とは何か?
    ① モデルの初期化が性能に影響しないという仮説
    ② モデルの一部のサブネットワークが高性能を発揮するという仮説
    ③ モデルのサイズが性能に直結するという仮説
    ④ モデルの学習率が性能に影響するという仮説

    Q115. 「OpenPose」は何を実現する技術か?
    ① 音声認識
    ② 画像分類
    ③ 人体の姿勢推定
    ④ テキスト要約

    Q116. 「CLIP」はどのようなモデルか?
    ① 音声とテキストを統合するモデル
    ② 画像とテキストを統合するマルチモーダルモデル
    ③ 動画と音声を統合するモデル
    ④ テキストと数値データを統合するモデル

    Q117. 「CRISP-ML」の目的は何か?
    ① 機械学習プロジェクトの進行を体系的に管理するため
    ② データの前処理を自動化するため
    ③ モデルの精度を向上させるため
    ④ モデルのデプロイを簡素化するため

    Q118. 「PoC契約」における留意点は何か?
    ① 成果物の所有権を明確にすること
    ② データの収集方法を指定すること
    ③ モデルの構造を固定すること
    ④ 学習率を一定に保つこと

    Q119. 「sim2real」の課題は何か?
    ① シミュレーションと現実世界のギャップを埋めること
    ② シミュレーションの速度を上げること
    ③ 現実世界のデータを削除すること
    ④ シミュレーションを現実世界に適用すること

    Q120. 「GDPR」の主な目的は何か?
    ① データの自由な流通を促進すること
    ② 個人データの保護とプライバシーの強化
    ③ データの商業利用の促進
    ④ データの保存期間の延長


    Q121. 「信用割当問題(Credit Assignment Problem)」は、AIにおけるどのような課題を指すか?
    ① モデルの初期重みが性能に影響すること
    ② 誤差がどの中間層の出力に起因するかを特定することが困難な問題
    ③ モデルの予測結果に対して、正解ラベルが存在しないこと
    ④ 出力値のスケーリングが困難なこと

    Q122. 「CAM(Class Activation Mapping)」の基本的な利用目的は何か?
    ① データ拡張の効果測定
    ② 活性化関数の評価
    ③ モデルが予測根拠とした画像領域の可視化
    ④ ハイパーパラメータの自動調整

    Q123. 「Teacher Forcing(教師強制)」の適用対象として適切なものはどれか?
    ① セマンティックセグメンテーション
    ② 畳み込みニューラルネットワーク
    ③ シーケンス予測モデル(例:RNN、Transformer)
    ④ クラスタリングモデル

    Q124. データ拡張手法「CutMix」と「Mixup」の違いとして正しいものはどれか?
    ① CutMixは画像領域単位の混合、Mixupはピクセル単位の線形合成
    ② CutMixは自然言語処理専用、Mixupは画像専用
    ③ 両者とも画像サイズを拡大する
    ④ CutMixは学習率を操作する手法である

    Q125. BERTの事前学習で用いられる「Masked Language Modeling」の特徴はどれか?
    ① 単語順序の復元
    ② ランダムな単語のマスクと予測
    ③ 文の感情極性判定
    ④ テキスト生成による補完

    Q126. NeRFの出力である「Radiance Field」はどのような情報を含むか?
    ① 各画素の輪郭強度
    ② 各視点における輝度と密度を表現する3D情報
    ③ 入力画像の輝度ヒストグラム
    ④ モデルの注意重みの分布

    Q127. Diffusion Modelの「逆拡散過程」はどのような役割を持つか?
    ① ノイズを加えて生成する工程
    ② 潜在変数の事前分布推定
    ③ 学習済みモデルを複製する処理
    ④ ノイズからデータを復元する生成プロセス

    Q128. Unified-IOが従来手法と異なる点として最も適切なものはどれか?
    ① センサーデータ専用である
    ② 自然言語と構造化データしか扱えない
    ③ すべてのモダリティ入力を統一形式で処理する
    ④ 教師なし学習には対応していない

    Q129. PaLMの設計方針として「スパース活性化」が採用された目的は何か?
    ① 出力トークン数を制限するため
    ② モデルの一部のみを活性化して計算コストを抑えるため
    ③ モデルの完全学習を防ぐため
    ④ トークン長を短縮するため

    Q130. Few-shot learningの性能向上のために重視される前提条件はどれか?
    ① ランダムに初期化されたネットワークの使用
    ② 関連性の高い事前学習モデルを使用すること
    ③ ラベルなしデータの活用のみ
    ④ 損失関数を複数併用すること

    Q131. LLMにおける「出力制御プロンプト(prompt steering)」の目的は何か?
    ① 訓練データを削除するため
    ② モデルの構造を変更するため
    ③ ユーザーの意図に沿った応答を促す入力設計
    ④ モデルのサイズを縮小するため

    Q132. SHAP値における「加法性」の意味として最も適切なものはどれか?
    ① 特徴量の順序によって結果が変わる
    ② 複数の特徴の貢献度の合計が予測値に等しい
    ③ モデルの予測値と無関係な構造を示す
    ④ 特徴量が互いに排他的に働くことを示す

    Q133. Instance Normalizationが適しているケースとして最も当てはまるものはどれか?
    ① ミニバッチのサイズが大きい場合
    ② 全体平均を重視するタスク
    ③ スタイル変換など、画像の個別性が重要なタスク
    ④ 時系列の異常検知

    Q134. β-VAEにおいて「β」を大きく設定した場合、期待される効果はどれか?
    ① 再構成誤差が増加し、潜在空間の分離性が高まる
    ② 学習速度が遅くなるが、過学習が完全に防げる
    ③ 潜在空間の意味が曖昧になる
    ④ 生成画像がリアルすぎて過学習を誘発する

    Q135. infoVAEがVAEより優れているとされる点はどれか?
    ① 出力層の非線形性を排除している
    ② 情報量最大化を損失関数に加えて、潜在空間に有意な意味を持たせる
    ③ モデルの自由度を下げて安定化する
    ④ 学習率を最適化している

    Q136. RNNで長期依存性の学習が困難な理由はどれか?
    ① 勾配が急激に大きくなり、発散する
    ② 勾配が0に近づいてしまい、情報が後方に伝播しない
    ③ 活性化関数が複雑すぎる
    ④ 入力の形式が固定である

    Q137. LSTMの「忘却ゲート(Forget Gate)」の機能は何か?
    ① モデルの出力層を制御する
    ② 入力をすべて保持する
    ③ 不要な情報をセル状態から除去する
    ④ モデルの重みを初期化する

    Q138. Attentionにおける「クエリ・キー・バリュー」の関係として正しいものはどれか?
    ① クエリは出力層、キーとバリューは入力層の情報に基づく
    ② クエリとキーの類似度から重みを計算し、それをバリューに適用する
    ③ 全てのベクトルは独立に扱われる
    ④ クエリは常に固定された値を持つ

    Q139. Transformerモデルの「Layer Normalization」の効果として適切なものはどれか?
    ① 出力ベクトルをシャッフルする
    ② 層ごとに入力値の分布を正規化し、学習安定性を高める
    ③ モデルの深さを削減する
    ④ 損失関数の重みを変更する

    Q140. 「自己教師あり学習」がラベルなしデータでも成立する理由として最も正しいものはどれか?
    ① 正解ラベルがなくても、入力データから擬似タスクを生成し、予測タスクとして学習できるため
    ② ラベルを予測せず、クラスタリングに特化しているため
    ③ 教師あり学習の誤差を活用できるため
    ④ データ量が少なくても常に高性能が得られるため


    Q141. AIモデルの「公平性(Fairness)」評価で用いられる指標として最も適切なものはどれか?
    ① F1スコア
    ② 統計的パリティ
    ③ 正則化係数
    ④ クラスタ中心距離

    Q142. AIと著作権法に関連する規定「第30条の4」の内容として正しいものはどれか?
    ① 商業利用目的での著作物の複製を許可する
    ② AI学習を目的とした著作物利用を、再識別困難・非営利であれば合法とする
    ③ 著作物の翻訳を認める条項である
    ④ 記事要約の自動生成を禁止する条文である

    Q143. 「リスクベースアプローチ」がAI規制において意味するものはどれか?
    ① リスクがあるAI技術を全面的に禁止する方針
    ② モデルの性能を一律に評価する方式
    ③ 利用目的・リスク水準に応じて規制の強度を調整する考え方
    ④ 機械学習の全モデルに倫理基準を強制適用する方式

    Q144. 「ソフトロー」とは何か?
    ① 法的拘束力を持つ強制的な法律体系
    ② 企業向け契約テンプレート
    ③ 倫理指針・ガイドラインなど非拘束だが遵守が期待される規範
    ④ 出力層の活性化関数に関するガイド

    Q145. 「限定提供データ」が該当する情報保護の法律はどれか?
    ① 個人情報保護法
    ② 電子契約法
    ③ 不正競争防止法
    ④ 著作権法

    Q146. フェイクニュースとAIの関係性において懸念されるのはどれか?
    ① AIが常に正確な情報しか出力しないため過信される
    ② AIが意図的に虚偽情報を生成し、社会的混乱を引き起こす可能性
    ③ AIによる情報削除の困難さ
    ④ AIによる誤字修正が頻発すること

    Q147. AIの「説明可能性(Explainability)」が重視される理由として正しいものはどれか?
    ① モデルの活性化関数を簡素化できるため
    ② モデルがどのように判断を下したかを明示し、透明性と信頼性を高めるため
    ③ 学習速度を向上させるため
    ④ モデルのサイズを縮小できるため

    Q148. AI倫理における「インクルージョン(Inclusion)」の重要性は何か?
    ① すべてのモデルをクラウドで運用すること
    ② 多様な背景や属性を持つ利用者を排除しない設計思想
    ③ モデルの圧縮率を高めるための技術
    ④ 学習時にデータの一部を意図的に削除すること

    Q149. ディープフェイクが社会にもたらすリスクとして最も適切なものはどれか?
    ① テキスト要約の自動化が難しくなる
    ② 本人の映像や音声を偽造して誤情報や名誉毀損に利用される
    ③ 音声認識が正しく行えなくなる
    ④ 暗号化技術が陳腐化する

    Q150. AI倫理において「軍事利用」が問題視される理由はどれか?
    ① 自動武器が人間の指示なく致死的判断を下す可能性
    ② 軍事費がAI研究に使われないため
    ③ AIが武器の設計を制御できないため
    ④ 平時における監視システムとの互換性がないため

    Q151. AIに関する環境問題として注目されている要素はどれか?
    ① モデルの精度が上がるほど電力消費が下がる
    ② AI学習に伴う膨大な電力消費とCO₂排出量
    ③ 再学習を行うと精度が低下すること
    ④ 通信遅延の増加によるユーザー離脱

    Q152. 「AIと民主主義」に関連するリスクとして正しいものはどれか?
    ① AIが政党支持を強制する
    ② 情報推薦により偏った意見しか得られず、健全な議論が困難になる
    ③ モデルの更新頻度が遅くなる
    ④ AIが政治家に取って代わること

    Q153. 「エコーチェンバー現象」は何を意味するか?
    ① 同じ意見や価値観が繰り返し可視化され、異なる視点が排除される情報環境
    ② 意図せずAIが異常動作する状態
    ③ 音声データが反響して重なる状態
    ④ 同一クラスタ内のデータを再学習する手法

    Q154. 著作権法において、AIが生成したコンテンツの著作権は誰に帰属するか?
    ① モデルを設計した企業に自動で帰属する
    ② AIに人格があるため自動的にAIに帰属する
    ③ 人が生成指示等で創作的関与をした場合、その人に著作権が発生する可能性がある
    ④ AIによる生成物には一切の権利が発生しない

    Q155. 「死者への敬意」というAI倫理上の懸念が問われるのはどのような行為か?
    ① 故人の公開データを学習に使うこと全般
    ② 故人の肖像・声を無断で模倣し、本人であるかのように公開すること
    ③ 遺族にAIの結果を説明すること
    ④ 記憶に残るように設計されたUI

    Q156. 「フェアネス(公平性)」の実現に必要なアプローチとして正しいものはどれか?
    ① 少数派データを除外することでモデルの精度を安定化させる
    ② 特定属性における誤差率を均等にするような指標を活用する
    ③ すべての属性でランダムに誤差を発生させる
    ④ モデルの学習を途中で終了する

    Q157. 「AI倫理ガイドライン」はどのような役割を果たすか?
    ① モデルの設計方法を規定する唯一の基準
    ② 法律と同様の強制力を持つ
    ③ 倫理的配慮や社会的受容性を高めるための指針
    ④ モデルの精度向上のみを目的とする

    Q158. AIが「自己進化」するときに想定される主なリスクはどれか?
    ① モデルが自己修正を繰り返し、制御不能になる可能性
    ② 学習率が0になること
    ③ 活性化関数が無効になること
    ④ 自然言語処理が行えなくなること

    Q159. 「倫理アセスメント」の活用タイミングとして最も適切なのはどれか?
    ① プロトタイプ実装後のデバッグ時
    ② AIシステム導入前のリスク評価時点
    ③ 学習終了後のチューニング時
    ④ 出力エラーが発生した後

    Q160. AIガバナンスにおいて重要とされる「アカウンタビリティ(説明責任)」の実現方法はどれか?
    ① モデルのソースコードをすべて削除する
    ② 意思決定のプロセスや履歴を記録し、検証可能にする
    ③ 出力トークン数を制限する
    ④ モデルサイズを一律化する


    解答解説

    画像
    おつかれさまでした。解答解説は下記PDFです。

    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。



     
     
    「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