| 210 |
EU AI法において、AIシステムはその用途に応じて4段階のリスクに分類される。このうち、医療機器の制御、自動運転システム、企業の採用活動における履歴書の自動選別（AIスクリーニング）、個人の信用スコアリングなど、人々の安全性や基本的人権に重大な影響を及ぼす可能性があるとして、市場に出す前に厳格な適合性評価や技術文書の作成、人間による監視体制の構築が法的に義務付けられているリスク分類はどれか。
|
解説
|
| 211 |
人工知能研究におけるフレーム問題に関する記述として、最も適切なものはどれか。
|
解説
|
| 212 |
インターネット上の膨大なウェブ情報（テキストやデータ）に対して、単に人間が見て理解するためだけでなく、コンピュータ自体がそのデータの「意味や文脈、関係性」を自律的に理解して効率よく自動処理できるようにすることを目指した、メタデータ（知識記述）を付与する技術の構想を何というか。
|
解説
|
| 213 |
機械学習の古典的なアルゴリズムであるサポートベクトルマシンにおいて、2つのクラスのデータを直線（または超平面）で綺麗に分類したい。このとき、分類境界線から「最も近くに存在するデータ点」との間の距離（マージン）を最大化するように境界を決定するが、この境界線の位置を決定する基準となる最も近いデータ点のことを何というか。
|
解説
|
| 214 |
クラスタリング（教師なし学習）の代表的な手法であるk-means法（k平均法）のアルゴリズム手順において、まず最初にランダムにK個のクラスタ中心（代表点）を配置した後に実行すべき「2つのステップ（ループ処理）」の正しい組み合わせはどれか。
|
解説
|
| 215 |
手元にある訓練データを「学習用」と「テスト用」の2つ（例えば8対2）に単純に分割して評価を行うホールドアウト法において、過学習や汎化性能を測定する際に注意すべき【最大のデメリット】に関する記述として、適切なものはどれか。
|
解説
|
| 307 |
ディープラーニングの初期から多用された古典的な活性化関数である。入力された数値を、数式を用いて「0から1の間」の範囲に滑らかに圧縮して出力する特性を持つ。しかし、入力の値が極端に大きくなったり小さくなったりすると、関数の傾き（微分値）がほぼ「0」になってしまい、多層ネットワークにおいて勾配消失問題を引き起こす主因となった関数はどれか。
|
解説
|
| 308 |
CNNの中核となるプーリング処理のうち、実務で最も広く使われる「マックスプーリング」の具体的な数理操作に関する記述として、適切なものはどれか。
|
解説
|
| 309 |
画像認識で使われるCNN（畳み込みニューラルネットワーク）の典型的なアーキテクチャ設計に関する記述である。ネットワークの前半では「畳み込み層」と「プーリング層」を交互に重ねて画像から局所的な特徴や形状を抽出する。これに対し、ネットワークの「最終段（出力層の直前）」に配置され、それまでに抽出された多次元の特徴マップを1次元の配列に平坦化し、すべてのニューロン同士を結合して最終的なクラス分類の判定（推論結果の出力）を行う層を何というか。
|
解説
|
| 310 |
画像認識で使われるCNNの畳み込み層において、入力画像の上を特定の歩幅（ストライド）でスライドしながら、画像の局所的な領域と掛け算（内積の和）を行う、重み（パラメータ）が並んだ「小さな行列（例えば3×3や5×5のサイズ）」のことを何というか。これによって画像から縦線、横線、エッジといった特定の視覚的特徴が抽出される。
|
解説
|
| 311 |
手元にある画像の訓練データ数が少なく、モデルが過学習を起こしやすい課題に実務で対処したい。元の画像に対して、反転、回転、拡大・縮小、切り抜き（クロッピング）、あるいは色調の補正などのデジタル加工（変換）をランダムに施すことで、モデルに「画像の見た目のバリエーション」を疑似的に大量に学習させ、汎化性能を劇的に向上させる画像専用の前処理手法を何というか。
|
解説
|
| 312 |
画像認識や自然言語処理において、限られた少ないデータで高性能なモデルを効率よく構築するための実務テクニックである。膨大なデータを持つ大規模なドメイン（例えばImageNetの大規模画像データセット）であらかじめ学習を済ませた「学習済みモデル（既存のネットワークの重み）」をベースとして再利用し、出力層などの一部の層だけを「自社のターゲットタスク（少量の独自データ）」にすげ替えて、その部分だけをピンポイントで追加学習させるアプローチを何というか。
|
解説
|
| 313 |
初期の機械翻訳や文章生成（対話システム）で大躍進を遂げた「エンコーダ・デコーダモデル」の代表的なアーキテクチャである。入力された「可変長（長さが毎回異なる）の単語列」を、RNNを用いて一度「1つの固定長ベクトル」へと完全に圧縮して読み込み、そのベクトルを起点として、今度は別のRNNを用いて新しく「可変長の単語列（翻訳後の文章）」を1単語ずつ展開して出力していく仕組みを何というか。
|
解説
|
| 314 |
Seq2Seqモデルが抱えていた、長い文章を翻訳する際に「冒頭の記憶（文脈情報）が途中で完全に抜け落ちてしまう」という固定長ベクトルのボトルネック課題を劇的に解決した技術である。デコーダで次の単語を出力（生成）する際、エンコーダが圧縮した1つのベクトルだけを見るのではなく、入力文の「どの単語（位置）に強く注目（注視）すべきか」のウェイト（類似度）をタイムステップごとに動的に計算し、関連する入力特徴量を直接引き出して利用する仕組みを何というか。
|
解説
|
| 315 |
マルチクラス分類（3つ以上のクラスから1つを選ぶタスク）を行うニューラルネットワークの「最終出力層」において、ほぼ例外なく適用される活性化関数に関する記述である。各ニューロンの出力（スコア）に対して指数関数（エクスポネンシャル）を適用し、それらの「総和が完全に1（100パーセント）」になるように正規化することで、それぞれのクラスに該当する「確率分布」として解釈できるように変換する関数はどれか。
|
解説
|
| 363 |
医療画像の細胞の輪郭特定等、ピクセル単位での高精度な領域分割が必要な場面で用いられるセマンティックセグメンテーションのモデル構造について。画像を縮小しながら特徴を抽出するパスと、拡大して元の解像度へ復元するパスを持つモデルにおいて、縮小の過程で失われた微細な位置情報を復元時に補完するために導入された仕組みはどれか。
|
解説
|
| 367 |
膨大な種類のセンサーから取得した数十次元のデータを可視化し、機械学習モデルの計算コストを下げるために次元削減を行いたい。元のデータが持つ分散の大きさを情報量と捉え、情報が最もよく保存されるような新しい直交する軸を見つけ出してデータをより少ない次元に変換する、教師なし学習の手法はどれか。
|
解説
|
| 368 |
ディープラーニングの中間層に用いられるReLU関数は、入力が負の値をとる場合に勾配が完全にゼロとなり、そのニューロンの学習が止まってしまう問題があった。この問題を解決し、ニューロンが完全に活動を停止してしまうのを防ぐために考案された関数の特徴として適切なものはどれか。
|
解説
|
| 369 |
機械翻訳において、入力された文章を一度固定長のベクトルに圧縮し、そこから翻訳後の文章を生成するエンコーダデコーダ構造のモデルがある。このモデルが長文の翻訳において精度が著しく低下してしまう根本的な理由として、不適切な記述はどれか。
|
解説
|
| 370 |
深層ニューラルネットワークの過学習を抑えるための正則化手法について。学習時に中間層のニューロンを一定の確率でランダムに無効化しながらパラメータの更新を行う手法が、なぜ未知のデータに対しても高い予測精度を発揮できるのか。その理論的背景として最も適切なものはどれか。
|
解説
|
| 373 |
教師なし学習におけるディープラーニングの手法で、入力データを少ない次元の潜在変数に圧縮し、そこから元の入力データをできるだけ正確に復元するように学習するモデルがある。このプロセスにおいて、あえて中間の層のニューロン数を少なく絞る最大の目的は何か。
|
解説
|
| 374 |
自動運転や工場の検品ライン等、カメラからのリアルタイムな映像解析が求められる場面で、画像内の物体を四角い枠で囲んでクラスを分類する物体検出モデルを選定したい。領域候補の抽出プロセスとクラス分類のプロセスを分離せず、画像全体を1回走査するだけで様々なサイズの物体を同時に検出できる手法が適している。この条件に該当するモデルはどれか。
|
解説
|
| 375 |
エッジデバイスに最新のディープラーニングモデルを配置したいが、モデルの容量が大きすぎてメモリに収まらない。そこで、大規模で高精度な教師モデルの出力する各クラスへの確率分布の傾向を、構造が小さく軽量な生徒モデルに真似させるように学習を行うことで、精度低下を抑えつつモデルを圧縮する手法はどれか。
|
解説
|
| 376 |
二値分類モデルの閾値を変化させた際の「偽陽性率」と「真陽性率」の変化をグラフ化したROC曲線について。この曲線の下側の面積であるAUCが1.0に近いほど、モデルの分類性能は優れていると判断される。この理由として最も適切なものはどれか。
|
解説
|
| 377 |
深層学習において、学習時のデータに対してモデルが過剰に適合し、未知のデータに対する予測精度が落ちる「過学習」を防ぐための手法がある。ドロップアウトにおいて、学習時と推論時（テスト時）でニューロンの接続状態を切り替える理由として、最も適切なものはどれか。
|
解説
|
| 378 |
深層学習の学習過程で、層が深くなるにつれて各層への入力データの分布が変動し、勾配の更新が困難になる「内部共変量シフト」という問題がある。これを解決するために導入されたバッチ正規化の効果として、不適切な記述はどれか。
|
解説
|
| 379 |
自然言語処理におけるTransformerモデルにおいて、従来のRNNと異なり「位置エンコーディング」という特別な情報を入力に加える必要がある。これが必要な根本的な理由として適切なものはどれか。
|
解説
|
| 380 |
ハイパーパラメータの最適化において、指定したパラメータの組み合わせを全通り試して最適なものを探すグリッドサーチの手法が、実務上選ばれる最大の理由として最も適切なものはどれか。
|
解説
|
| 381 |
ニューラルネットワークが多層化すると、活性化関数としてシグモイド関数を用いた場合に層の深い方から勾配が0に近づいてしまい、学習が停滞する問題が発生する。この問題を解決する構成として、ReLU関数が採用される理由として正しいものはどれか。
|
解説
|
| 382 |
Seq2Seqモデルにおいて、入力文が長くなった際に精度が低下する問題を解消するために「アテンション」が導入された。アテンションが長文に対しても高い精度を維持できる理由として、不適切な記述はどれか。
|
解説
|