| 585 |
2019年に採択されたOECDのAI原則が、2023年に改定された際に新しく強調された側面はどれか。
|
解説
|
| 586 |
コンピュータ内の「記号（シンボル）」と、現実世界の「意味」が結びつかないためにAIが真の理解に至れないとされる問題を何と呼ぶか。
|
解説
|
| 587 |
1956年に開催され、ジョン・マッカーシーらが「人工知能（Artificial Intelligence）」という言葉を初めて提唱した歴史的な会議はどれか。
|
解説
|
| 588 |
分類モデルの評価指標において、実際の正解が「正」であるデータのうち、正しく「正」と予測できた割合（真陽性率）を何というか。
|
解説
|
| 590 |
GANにおいて、本物のようなデータを生成し、識別器を騙すことを目的とするネットワークを何と呼ぶか。
|
解説
|
| 591 |
入力を一度圧縮して潜在表現にし、そこから元の入力を復元するように学習させることで、データの重要な特徴を抽出するニューラルネットワークはどれか。
|
解説
|
| 592 |
学習時にランダムにニューロンを無効化することで、特定のニューロンへの依存を防ぎ、ネットワークの汎化性能を高める手法はどれか。
|
解説
|
| 593 |
ニューラルネットワークの層を深くした際、誤差逆伝播の過程で勾配が0に近づき、入力に近い層の学習がほとんど進まなくなる問題を何と呼ぶか。
|
解説
|
| 596 |
特定のタスクに合わせて大規模言語モデルのパラメータを更新する手法と、プロンプトに指示を与えるだけで調整を行う手法を比較した際、後者の名称はどれか。
|
解説
|
| 597 |
AIの予測や判断の根拠を、人間が理解可能な形で提示しようとする研究分野や取り組みを何と呼ぶか。
|
解説
|
| 598 |
AI倫理における「公平性」において、データに含まれる歴史的な偏見や社会的な差別がAIの出力に反映されてしまうリスクを何と呼ぶか。
|
解説
|
| 600 |
AIが社会的な悪影響を及ぼした際、誰がどのように責任を負うのかを明確にする考え方を何というか。
|
解説
|
| 601 |
画像生成において、生成器（Generator）が生成したデータと、本物のデータを識別器（Discriminator）が判別する過程を繰り返すことで学習を進める手法がある。この手法において、学習が極めて不安定になりやすく、生成器が特定のデータのみを出力し続けるモード崩壊という現象が起きる原因として、最も適切な説明はどれか。
|
解説
|
| 602 |
画像生成において、ノイズから徐々に元の画像を復元するプロセスを学習するモデルがある。この手法がGANと比較して、学習が安定しやすい主な理由はどれか。
|
解説
|
| 603 |
文章生成や翻訳モデルにおいて、入力文の全単語に対して計算を行うことで、単語間の複雑な依存関係を文脈に応じて動的に捉える仕組みがある。この仕組みの利点として最も適切なものはどれか。
|
解説
|
| 604 |
文章の空欄予測や誤字脱字の検出など、文章理解タスクで高い性能を発揮する事前学習モデルがある。このモデルが双方向（Bidirectional）の文脈情報を学習できる主な理由はどれか。
|
解説
|
| 605 |
文章生成を行うモデルにおいて、ある単語が与えられたときに「次に出現する単語」を確率的に予測する手法が取られる。この手法が、文章生成において滑らかで一貫した文章を作成できる主な要因はどれか。
|
解説
|
| 606 |
画像認識において、入力データに対してフィルタをスライドさせながら局所的な特徴を抽出する手法がある。画像内の対象物が多少移動しても認識精度が低下しにくい「不変性」を得るために重要な処理はどれか。
|
解説
|
| 607 |
時系列データを扱うモデルにおいて、過去の情報を内部状態として保持しながら逐次処理を行うものがある。このモデルで「長期的な依存関係」の学習が困難な主な理由はどれか。
|
解説
|
| 608 |
画像を潜在空間にマッピングする際、連続値ではなく有限のベクトル（コードブック）として表現するモデルがある。この手法を用いる主なメリットはどれか。
|
解説
|
| 612 |
画像とテキストの対応関係を学習するモデルがある。このモデルが「ゼロショット分類」を実現できる理由はどれか。
|
解説
|
| 614 |
文章生成モデルの中核構造であるTransformerにおいて、エンコーダ-デコーダ構造を採用する場合、デコーダ側で「生成済みの単語」のみを参照するようにマスク処理を行う理由はどれか。
|
解説
|
| 615 |
音声生成において、生の波形データを直接モデル化する手法がある。この手法で、非常に高精細な音声を生成できる理由はどれか。
|
解説
|
| 616 |
音声認識システムを開発する際マイクで取得した連続的な音声波形をそのままコンピュータに入力することはできない。コンピュータが処理可能な離散的な数値データとして扱うために一定の時間間隔で波形を切り出して近似する一連の処理として最も適切なものはどれか。
|
解説
|
| 617 |
異なる言語間の機械翻訳システムを構築したい。入力される文章と出力される文章の単語数が常に一致しないという課題がある場合に入力文全体を一度固定長のベクトルに圧縮しそこから任意の長さの文章を逐次的に生成するアーキテクチャとして最も適切なものはどれか。
|
解説
|
| 618 |
テキストから人間の声に近い自然な音声を生成する音声合成タスクにおいて従来の隠れマルコフモデルを用いた手法では不自然な機械音になりがちであった。音声波形のサンプリング値を1つずつ自己回帰的に予測する際過去の広い範囲のデータを効率よく参照するために拡張畳み込みを採用し極めて高品質な音声生成を実現したモデルはどれか。
|
解説
|
| 619 |
馬の画像をシマウマの画像に変換するようなシステムを開発したいが全く同じポーズの馬とシマウマがペアになった訓練画像を用意することは事実上不可能である。このように正解となるペア画像が存在しない状況においてドメイン間の変換を可能にするため一度変換した画像を元のドメインに戻した際に元の画像と一致するように制約をかける生成モデルはどれか。
|
解説
|
| 621 |
画像生成モデルにおいて生成される顔画像の髪の長さや笑顔の度合いといった特定の特徴を他の特徴に影響を与えることなく独立して調整したい。潜在変数同士の絡み合いを解きほぐしそれぞれの次元が独立した意味を持つように損失関数の正則化項を強めたモデルとして最も適切なものはどれか。
|
解説
|
| 622 |
音声認識システムにおいて入力される音声波形のフレーム数と出力されるテキストの文字数は一致しないためどのフレームがどの文字に対応するかを厳密に紐付けることは困難である。この問題に対し空白を表す特殊なラベルを導入しすべてのアライメントの可能性を周辺化してモデルを直接エンドツーエンドで学習させるための損失関数はどれか。
|
解説
|
| 624 |
敵対的生成ネットワークは高品質な画像を生成できるが学習が非常に不安定で同じような画像ばかり出力するモード崩壊を起こしやすい欠点があった。この課題を解決するため画像に徐々にノイズを加えていく過程を定義しそのノイズを段階的に除去して元の画像を復元する過程を学習することで安定して多様な画像を生成できるようになった手法はどれか。
|
解説
|