| 1159 |
機械学習における線形回帰の過学習を防ぐ手法として、損失関数にパラメータの絶対値の和をペナルティとして加えるラッソ回帰が用いられる。このラッソ回帰の特徴や、どのような場面で使われるかに関する記述として、最も不適切なものはどれか。
|
解説
|
| 1160 |
サポートベクターマシンは、データを2つのクラスに分類する境界線を決定する教師あり学習の手法である。この手法では、境界線に最も近いデータ点からの距離である【 】を最大化するように境界線を引くことで、未知のデータに対しても高い識別性能を発揮しやすいという特徴を持つ。
|
解説
|
| 1161 |
アンサンブル学習の手法の一つである勾配ブースティングは、高い予測精度を持つことから実務で広く使われている。この手法の仕組みや適用場面に関する記述として、最も不適切なものはどれか。
|
解説
|
| 1162 |
ディープラーニングにおいて、ニューラルネットワークの層を深くしていくと、誤差逆伝播法の計算過程で入力層に近づくにつれて勾配が極端に小さくなり、パラメータがほとんど更新されなくなってしまう現象を【 】と呼ぶ。
|
解説
|
| 1163 |
ニューラルネットワークの最適化手法の一つであるRMSpropは、基礎的な手法であるAdagradの課題を解消するために提案された。このRMSpropの特徴や、なぜその仕組みが使われるのかに関する記述として、最も不適切なものはどれか。
|
解説
|
| 1164 |
畳み込みニューラルネットワークにおいて、畳み込み層の後段に配置される【 】層は、画像の局所的な領域から最大値や平均値を抽出してデータを縮小する処理を行う。この処理により、画像内の物体の位置が多少ズレていても同じ特徴として捉えることができる頑健性を獲得できる。
|
解説
|
| 1165 |
ディープラーニングにおいて、中間層の活性化関数としてReLUが非常に広く使われている。それまで主流だったシグモイド関数ではなく、あえてReLUが採用される理由や特徴に関する記述として、最も不適切なものはどれか。
|
解説
|
| 1166 |
生成AIの代表的なモデルである【 】は、本物らしい偽データを生成する生成器と、入力されたデータが本物か偽物かを判定する識別器の2つのネットワークを競い合わせるように学習させる手法である。これにより、非常に高精細な画像生成などが可能になった。
|
解説
|
| 1167 |
強化学習の手法であるDQNは、ゲームなどで人間に勝利するAIの基盤となった技術である。このDQNの特徴や、従来のQ学習にディープラーニングを組み合わせた理由に関する記述として、最も不適切なものはどれか。
|
解説
|
| 1168 |
自然言語処理において、大量のテキストデータを学習し、単語の意味や文脈上の類似性を考慮して高次元のベクトルとして表現する技術を【 】と呼ぶ。この手法により、「王様」のベクトルから「男」を惹き、「女」を足すと「女王」に近づくといった、単語間の意味的な演算が可能になった。
|
解説
|
| 1170 |
AIシステムの開発において、開発が完了した後にプライバシー対策を後付けで施すのではなく、システムの企画や設計といった最上流の段階から、個人のプライバシー保護をシステムやビジネスプロセスの仕様として組み込んでいく設計思想を【 】と呼ぶ。
|
解説
|
| 1172 |
2012年に開催された画像認識のコンペティション（ILSVRC）において、従来の機械学習手法を大きく引き離して圧倒的な成績で優勝し、第3次人工知能ブームおよびディープラーニングの急速な普及の決定的な火付け役となった、トロント大学のチームが開発したCNNモデルはどれか。
|
解説
|
| 1173 |
自然言語処理の翻訳タスクなどにおいて、入力系列のすべての情報を一律に固定長のベクトルに圧縮するのではなく、出力単語を生成する際に「入力系列のどの部分（単語）に重点的に注目すべきか」を動的に計算し、その重みを付加して処理を行うニューラルネットワークの仕組みはどれか。
|
解説
|
| 1174 |
二値分類モデルの評価において、縦軸に真陽性率（再現率）、横軸に偽陽性率（1-特異度）を取り、分類の閾値を変化させたときの軌跡を描いた「ROC曲線」がある。このROC曲線の下側の面積を表し、0から1の値をとり、完全にランダムな予測では0.5、完璧な分類では1となる、不均衡データに対しても頑健な評価指標はどれか。
|
解説
|
| 1175 |
自然言語処理におけるテキストのベクトル化手法の一つであり、文章内に登場する単語の順序や文法構造を完全に無視し、どの単語がテキスト全体に「何回出現したか」という頻度情報（カウント）のみに着目して文章を表現する手法はどれか。
|
解説
|
| 1176 |
2018年にGoogleから発表された自然言語処理モデルであり、ニューラルネットワークのアーキテクチャにTransformerを採用している。テキストを左から右、あるいは右から左へと一方向に読み込むのではなく、文脈を「左右両方向から同時に」学習することで、多義語や複雑な文脈を極めて正確に捉えられるようになった、その後の大規模言語モデルの基礎を築いたモデルはどれか。
|
解説
|
| 1177 |
単語の分散表現（埋め込みベクトル）を獲得する手法であるWord2Vecには、2つの主要なニューラルネットワーク構成が存在する。そのうち、「ターゲット単語の周囲にある複数の単語（文脈）」を入力として与え、その中心にある「ターゲットとなる1つの単語」を予測するタスクを解くことで学習を進めるアプローチはどれか。
|
解説
|
| 1178 |
画像処理において圧倒的な成果を上げているニューラルネットワークの一種である。画像全体の全結合レイヤーとは異なり、画像の局所的な領域にフィルター（カーネル）をスライドさせながら演算を適用する「畳み込み層」と、位置のズレへの頑健性を高める「プーリング層」を交互に繰り返すことで、画像の輪郭や模様などの空間的な特徴を効率的に抽出できるネットワーク構造はどれか。
|
解説
|
| 1179 |
データマイニングや機械学習を用いたビジネスプロジェクトを体系的に進め、成功確率を高めるための業界標準のプロセスモデルである。プロジェクトのライフサイクルを「ビジネスの理解」「データの理解」「データの準備」「モデリング」「評価」「展開（本番運用）」という6つのフェーズに分類し、必要に応じて前のフェーズへ柔軟に逆戻りしながら反復的に進める手法はどれか。
|
解説
|
| 1180 |
敵対的生成ネットワーク（GAN）の一種であり、ドメイン変換（例：馬の画像をシマウマの画像に変換する、普通の写真をゴッホ風の絵画に変換する）を行う技術である。変換前と変換後の画像が「一対一で対になっているペアデータ」が手元に存在しない場合であっても、2つの異なるドメイン間で相互に矛盾なく変換・逆変換を行えるよう、サイクル一貫性損失（Cycle Consistency Loss）を導入したモデルはどれか。
|
解説
|
| 1181 |
1960年代、エドワード・ファイゲンバウムらによってスタンフォード大学で開発された歴史的なAIシステムである。未知の有機化合物の質量分析データ（マススペクトル）を入力すると、化学の専門知識（ルール）に基づいてその分子構造を特定する。専門家の知識をルールとして記述して推論を行う「エキスパートシステム」の先駆けであり、第2次人工知能ブームの到来に決定的な貢献を果たしたシステムはどれか。
|
解説
|
| 1182 |
リカレントニューラルネットワーク（RNN）の学習において、パラメータを更新するために用いられるアルゴリズムである。通常の順伝播型ネットワークの誤差逆伝播法（バックプロパゲーション）とは異なり、時系列データの流れを過去に遡るようにネットワークを時間方向に展開（アンロール）し、過去の各時点における誤差を逆方向に伝播させて勾配を計算する手法はどれか。
|
解説
|
| 1183 |
畳み込みニューラルネットワーク（CNN）を用いた画像分類モデルにおいて、AIのブラックボックス問題を解消するための可視化技術の一つである。ネットワークの最終の畳み込み層の直後に「GAP（Global Average Pooling）」を配置し、各チャンネルの特徴マップに、出力クラスの全結合重みを掛け合わせて足し合わせることで、AIが画像の「どの領域（場所）」に注目してそのクラスだと判断したのかをヒートマップとして画像上に可視化する手法はどれか。
|
解説
|
| 1184 |
従来の単純なRNNが抱えていた、時間変化が長くなるにつれて過去の記憶の勾配が指数関数的に消滅、または爆発してしまうという致命的な欠点（勾配消失・爆発問題）を解決するために提案された「LSTM（Long Short-Term Memory）」の内部機構である。セルの中央に位置し、入力ゲートや出力ゲートなどの動的な制御とは独立して、誤差を減少させることなく過去の記憶（情報）をそのまま次の時点へと1倍の重みでストレートに保持・伝播し続けるコアな記憶回路はどれか。
|
解説
|
| 1185 |
初期の敵対的生成ネットワーク（GAN）は、多層パーセプトロン（全結合層）のみで構成されていたため、画像の構造（縦横の空間的なつながり）をうまく捉えられず、生成される画像が非常にぼやけたり、学習が極めて不安定で崩壊しやすいという大きな課題があった。この問題を克服するため、生成器（Generator）と識別器（Discriminator）の双方に「畳み込み層（CNN）」を本格的に導入し、高精細かつ写実的な画像を安定して生成できるようにした画期的な基礎モデルはどれか。
|
解説
|
| 1186 |
2023年、アメリカの国立標準技術研究所（NIST）が策定・公開した、AIシステムの設計、開発、デプロイ、および運用プロセス全体における潜在的なリスクを総合的に管理・低減するための世界的なフレームワークである。組織がAIの信頼性を高め、社会的・倫理的リスクに適切に対処するための指針として、「ガバナンス（Govern）」「マッピング（Map）」「測定（Measure）」「管理（Manage）」という4つのコア機能を定義している文書はどれか。
|
解説
|
| 1187 |
人工知能研究における大きな壁の一つに、有限の処理能力しか持たないシステムが、現実世界の無限の情報の中から自分に関連のある事柄だけを抽出して適切に処理することができないという問題がある。この問題を何というか。
|
解説
|
| 1188 |
コンピュータが扱う記号と、現実世界における具体的な意味や身体的経験を結びつけることができないという問題について、不適切な説明をしているものはどれか。
|
解説
|
| 1189 |
人工知能の歴史において、かつては人間にしかできない高度な知的作業と絶賛されていた技術が、コンピュータで完全に実現されて仕組みが広く普及してしまうと、それを人工知能と見なさなくなる現象を何というか。
|
解説
|
| 1190 |
第2次人工知能ブームの中心となったエキスパートシステムにおいて、専門家が持つ膨大な知識やルールを人間が手作業で抽出してシステムに記述する必要があり、開発が途中で行き詰まる原因となった現象を何というか。
|
解説
|