| 138 |
機械学習のモデルを構築する際、訓練データへの適合度（予測の正確さ）だけを追求すると、パラメータの数が無駄に増えてモデルが複雑になり、過学習を起こしてしまう。モデルの適合度と、過度な複雑さ（パラメータ数）のペナルティとのバランスを評価し、最も適切なモデルを選択するための統計的指標はどれか。
|
解説
|
| 139 |
k近傍法は、未知のデータの近くにある「k個」の過去データの多数決によってクラスを決定する単純なアルゴリズムである。このハイパーパラメータである「kの値」を極端に小さく（例えば k = 1 に）設定して学習・予測を行った場合、モデルにどのような影響を及ぼすか。
|
解説
|
| 140 |
確率的勾配降下法は勾配の傾きに沿って一定の学習率でパラメータを更新するが、谷の周辺でジグザグに振動してしまい、最適解（局所的極小値）に到達するまでに時間がかかる欠点がある。これに対し、物理的な「慣性（運動量）」の概念を導入し、過去の勾配の方向を一定割合で引き継ぐことで、同じ方向への更新を加速させて振動を抑制する最適化手法はどれか。
|
解説
|
| 141 |
画像認識や数値データの機械学習において、入力となる特徴量の「尺度の違い（例えば、年齢の0〜100という範囲と、年収の0〜10000000という範囲の差）」が原因で学習が不安定になるのを防ぎたい。データ全体の最小値を0、最大値を1となるように一次変換し、すべての特徴量を同じスケールに揃える前処理を何というか。
|
解説
|
| 145 |
近年、テキスト、画像、音声など、特定の単一タスクのために個別のAIを都度ゼロから開発するのではなく、膨大なデータ（ウェブ上のテキストや画像など）を用いて数兆円規模の事前学習をあらかじめ済ませておき、そこから少しの調整（チューニング）だけで多種多様な下流タスク（翻訳、対話、プログラミング、画像生成など）に汎用的に適応できる巨大なモデルの総称を何というか。
|
解説
|
| 146 |
日本の経済産業省が策定した、企業間でAI開発のための共同プロジェクトを進めたり、自社の持つ実データを他社に提供・取引したりする際に、契約上のトラブル（データの所有権、二次利用の制限、秘密保持など）を未然に防ぎ、円滑なビジネス連携を促すための指針の名称はどれか。
|
解説
|
| 148 |
欧州連合（EU）が2018年に施行した「一般データ保護規則（GDPR）」は、欧州市民の個人データの保護を極めて厳格に義務付けており、日本企業であっても欧州の顧客データを扱う場合は対象となる。このGDPRにおいて、重大な義務違反を犯した企業に対して科される可能性がある、世界的に見ても異例の巨額な制裁金の最大基準として、適切なものはどれか。
|
解説
|
| 149 |
AI開発企業が、これまでにない全く新しい構造のニューラルネットワークアーキテクチャ、あるいは特定のデータを劇的に効率よく処理できる革新的なAIアルゴリズムを開発した。この「技術的なアイデアや発明」を国家から独占的な権利として認め、他社に無断で真似されないように20年間にわたって強力に保護するための法律はどれか。
|
解説
|
| 150 |
採用活動にAIスクリーニングシステムを導入したところ、過去の人間による偏った採用履歴データをそのまま学習したため、女性の志望者を自動的に低く評価してしまうという差別的な判定が行われ、社会的な批判を浴びた。このように、AIの学習データに含まれる人間社会の偏見や統計的な不均衡が原因で、特定の人種や性別に対して不当な利益・不利益をもたらしてしまう問題を何というか。
|
解説
|
| 152 |
通常の強化学習では、開発者が事前に「報酬関数」を厳格に設計する必要があるが、自動運転の滑らかなハンドル操作や熟練の職人技など、複雑なタスクでは何に対してどれだけの報酬を与えるべきかの設計が極めて難しい。これに対し、人間のエキスパート（熟練者）の実際の行動データ（デモンストレーション）をAIに見せることで、その背後にある「報酬関数そのもの」をデータから逆算して推定・学習させるアプローチを何というか。
|
解説
|
| 154 |
ResNetなどの超深層ニューラルネットワークにおいて、層を100層以上に深く重ねていくと、通常は勾配消失が発生して学習が進まなくなる。この課題を解決するため、ある層への入力を、その層の畳み込み計算を飛び越えて（スキップして）「先の層の出力」へとダイレクトに足し合わせる構造を導入した。この接続機構を何というか。
|
解説
|
| 165 |
2019年に採択され、その後の日本政府の「人間中心のAI社会原則」や世界各国のAI指針（ガバナンス）の国際的な共通基盤（雛形）となった、経済協力開発機構によるAI原則において、加盟国が遵守すべきとされる5つの基本原則（包括的成長、人間中心の価値、透明性と説明可能性、堅牢性と安全性）に含まれるもう1つの極めて重要な原則はどれか。
|
解説
|
| 166 |
特定の専門タスク（画像認識、チェスのプレイ、音声翻訳など）において、人間と同等以上の驚異的な処理能力を発揮するが、それ以外の領域には一切応用が利かず、自意識や汎用的な思考能力を持たない現代の人工知能の分類を何というか。
|
解説
|
| 167 |
迷路やカーナビの最短経路探索において使われるA*探索アルゴリズムでは、スタート地点から現在地までの「実際の移動コスト」だけでなく、現在地からゴール地点までの残りの距離を大まかに予測する「推定コスト」を組み合わせて計算を行う。この、正解に効率よく辿り着くために設定する経験則や予測値のことを何というか。
|
解説
|
| 168 |
がんの画像診断AIや不正ログイン検知システムのように、データ全体の中で「陽性（見つけたい対象）」の割合が極端に少ない不均衡データを評価したい。単に正解率を見るだけでは不適切なため、見落としの少なさを表す再現率と、見つけたうちの正確さを表す適合率の2つを組み合わせ、その調和平均として算出する総合的な評価指標はどれか。
|
解説
|
| 169 |
機械学習モデルの予測精度を最大化するため、学習率や正則化の強さといったハイパーパラメータの最適な組み合わせを見つけたい。人間があらかじめ各パラメータの候補値をいくつか指定し、それらの「すべての組み合わせ（格子状の交点）」を網羅的に1つずつ試して、最も精度の高かった設定を採用する最も古典的かつ確実な探索手法を何というか。
|
解説
|
| 170 |
多層ニューラルネットワークの学習（誤差逆伝播法）において、出力層で発生した予測誤差の情報をもとに、入力層側に向かって各層の重み（パラメータ）の修正値を順次計算していきたい。このとき、微分における「合成関数の微分公式」を利用して、前の層の勾配に次の層の局所的な微分値を掛け算しながら芋づる式に遡って伝播させていく計算ルールを何というか。
|
解説
|
| 171 |
自動運転や画像編集において用いられるタスクである。画像内に写っているオブジェクト（車、歩行者、道路など）の境界を四角い枠で囲んで検出するのではなく、画像内の「すべてのピクセル（画素単位）」に対して、それがどのクラスに属しているかを厳密に塗り分けて分類する手法を何というか。
|
解説
|
| 172 |
セマンティックセグメンテーションのモデルが出力した領域予測の正確さを、客観的な数値で評価したい。実際の正解領域の面積と、AIが予測した領域の面積の「双方を足し合わせた全体の面積（和集合）」を分母とし、「双方が正確に重なり合っている面積（積集合）」を分子として算出し、領域の一致度合いを0から1の間で表す標準的な指標はどれか。
|
解説
|
| 173 |
Googleが開発した自然言語処理モデルであるBERTは、文脈を双方向から深く理解するために、ユニークな事前学習タスクを採用している。大量のテキストデータの一部（全体の約15%の単語）をランダムに「特殊なマスク」で隠し、モデルに対して、前後の文脈だけを頼りにその隠された単語が何であるかを予測させる学習手法を何というか。
|
解説
|
| 174 |
画像とテキストという異なるモダリティを横断して処理するCLIPなどのモデルでは、「対照学習（コントラスティブラーニング）」という画期的なアプローチが使われている。インターネット上から収集した「画像と、その内容を説明するキャプションのペア」を大量に入力し、正しい画像とテキストの組み合わせの親近性（ベクトル空間上の距離）を近づけ、無関係なペアの距離を遠ざけるように学習させるベクトルの計算手法を何というか。
|
解説
|
| 181 |
コンピュータや人工知能は、記号や言葉の処理を高速に行うことができる。しかし、その記号が現実世界において持っている「身体的な意味や感触（例えば、シマウマという言葉と、実際のシマ模様を持つ動物の姿）」を、AI自体が自分の身体的経験として結び付けられないために、本当の意味での理解に到達できないというAIの根本的な難題を何というか。
|
解説
|
| 186 |
画像認識モデル（CNNなど）の学習において、用意できた訓練データの枚数が少なく、このままでは過学習を起こすリスクが高い。そのため、元の画像データに対して「左右反転」「ランダムな切り出し（クロッピング）」「輝度の変更」「わずかな回転」などの加工をプログラムで自動的に施し、データの多様性（バリエーション）を擬似的に大量に増殖させて汎化性能を向上させる前処理を何というか。
|
解説
|
| 189 |
ディープラーニングにおいて、例えば画像を入力した際、「そこに写っている物体のクラス分類」と「物体の位置検出（バウンディングボックスの特定）」のように、関連する複数の異なるタスクを1つの共有のバックボーンネットワーク（特徴量抽出層）を使って同時に学習させるアプローチを何というか。
|
解説
|
| 190 |
画像生成AI（Stable Diffusionなど）の基盤となる「拡散モデル」の学習ステップに関する記述である。元のクリアな画像に対して、数理的に定義された微小なガウシアンノイズ（誤差）を何段階（数百〜数千ステップ）にもわたって少しずつ順番に加えていき、最終的に元の原形が完全に失われた「ただのホワイトノイズ（砂嵐）」へと変化させていく一連のシミュレーションプロセスを何というか。
|
解説
|
| 193 |
日本の不正競争防止法において、アクセス制限がかけられて社内で厳重に秘密管理されている情報は「営業秘密」として保護される。しかし、企業が他社とデータを有償で共有するビジネスにおいて、IDやパスワードで保護されているものの、多くの提携企業に広く「提供（シェア）」されている自動車の走行データや気象センサーデータなどは、営業秘密の3要件である非公知性を満たさない。このような、特定の相手に利活用目的で提供されるデータを法的に保護する概念を何というか。
|
解説
|
| 194 |
2019年に日本政府（統合イノベーション戦略推進会議）が策定した、日本のAIガバナンスにおける最上位の大前提となる基本理念の名称である。AIの発展を単なる経済合理性や技術至上主義で進めるのではなく、個人の尊厳が尊重され、誰もが恩恵を享受でき、持続可能な社会を実現するために遵守すべき「7つの原則」を掲げた文書はどれか。
|
解説
|
| 195 |
欧州連合（EU）において可決され、世界で初めてAIシステムそのものを法的に包括規制する厳格な枠組みとなった「EU AI法」の最大の特徴である。AIのリスクをその用途や影響度に応じて「禁止されるリスク」「高リスク」「限定的なリスク」「最小限のリスク」の4段階に分類し、リスクの高さに応じた厳格な義務（事前適合性評価や技術文書の作成など）を事業者に課すガバナンスのアプローチを何というか。
|
解説
|
| 206 |
強化学習のアルゴリズムは、価値（Q値）をベースに計算する手法と、行動を決定する確率そのものを直接最適化する手法に大別できる。エージェントが特定の状態でどの行動をとるべきかという確率分布（方策）をニューラルネットワークで表現し、得られた総報酬が大きくなる方向へ方策のパラメータを微分の勾配を用いて直接更新していく手法を何というか。
|
解説
|
| 209 |
業界標準のプロセスモデルであるCRISP-DMにおいて、「ビジネスの理解」「データの理解」「データの準備」を終えた後の第4のフェーズである。準備されたデータセットをインプットとし、解決したい課題（分類、回帰など）に最適な機械学習アルゴリズム（決定木、SVM、ニューラルネットワークなど）を適用して、パラメータを調整しながら実際に予測モデルの枠組みを構築するプロセスはどれか。
|
解説
|