G検定（ジェネラリスト検定）のディープラーニングの応用例は何問用意されていますか？

ぴよパスではG検定（ジェネラリスト検定）のディープラーニングの応用例に全66問のオリジナル練習問題を用意しています。G検定（ジェネラリスト検定）の収録全435問のうち約15%です。回答後に解説を確認できます。

ディープラーニングの応用例はどんな順序で学習するのがおすすめですか？

テキストで学んだ範囲や、確認したい用語の問題から取り組めます。迷う場合は一覧の先頭から数問解き、解説を読んでも分からない箇所をテキストで確認してください。問題番号は一覧内の順番です。ぴよパスではG検定（ジェネラリスト検定）の問題を8カテゴリ（ディープラーニングの応用例 / 人工知能とその動向・機械学習の概要・ディープラーニングの概要・ディープラーニングの要素技術）に分けているので、関連する内容は別のカテゴリでも確認できます。

ディープラーニングの応用例の問題数は、通常演習と模試でどう違いますか？

ディープラーニングの応用例は、ぴよパスでG検定（ジェネラリスト検定）の問題を分けている8カテゴリの一つです。ぴよパスに収録しているディープラーニングの応用例の問題数は66問 / 全435問で、収録全体の約15%にあたります。ぴよパスの模擬試験の基本設定では、ディープラーニングの応用例を全145問中22問（約15%）出題します。これは模試の配分であり、本試験の出題比率を示すものではありません。

ディープラーニングの応用例で合格ラインを割らないためのコツはありますか？

G検定（ジェネラリスト検定）の合格基準は「合格ラインと得点は公表されていません（JDLAの公式FAQ『合格ラインおよび得点については開示しておりません』）」です。科目別の条件は「技術分野・法律・倫理分野ごとの足切りの有無も公表されていません」です。サイト内のカテゴリ分けと本試験の科目区分は一致しない場合があります。ディープラーニングの応用例の正答率だけで合否を判断せず、間違えた問題の内容と、本試験で適用される基準を確認してください。

ディープラーニングの応用例

まず最初の 1 問を解く

全 435 問・解説・間違えた問題の解き直しは登録不要・無料。模試・「今日の復習」などは Premium (月980円)全 435 問に加えて、「今日の復習」・本番形式の模試・記録の全科目の正答率・広告非表示をご利用中です

答えと解説を一覧に表示する

正解済みまだ正解していませんQ1
画像認識のタスクに関する説明として、最も適切なものはどれか。
正解: 2. インスタンスセグメンテーションは、同じクラスの物体が複数写っていても、1つずつ区別して領域を切り出す。
解説: 肢2が正解です。パノプティックセグメンテーションを提案した論文（Kirillov ほか）は、セマンティックセグメンテーションを各画素にクラスラベルを付けるタスク、インスタンスセグメンテーションを物体を1つずつ検出して領域を切り出すタスクと整理し、両者を統合したタスクとしてパノプテ…
関連キーワード: 物体検出・セマンティックセグメンテーション・インスタンスセグメンテーション・パノプティックセグメンテーション・物体識別
正解済みまだ正解していませんQ2
2段階で物体を検出するR-CNN系のモデルに関する説明として、最も適切なものはどれか。
正解: 4. Mask R-CNNは、Faster R-CNNに、物体ごとのマスクを予測する枝を矩形の認識の枝と並列に加えたものである。
解説: 肢4が正解です。Mask R-CNNの論文（He ほか）は、Faster R-CNNに物体のマスクを予測する枝を、既存の矩形の認識の枝と並列に加えたと述べています。肢3は枝を置き換えたとしている点が誤りで、Mask R-CNNは矩形の検出とマスクの両方を出力します。肢1は誤りで、…
関連キーワード: Fast R-CNN・Faster R-CNN・Mask R-CNN・RPN・物体検出
正解済みまだ正解していませんQ3
物体検出のモデルに関する説明として、最も不適切なものはどれか。
正解: 3. FPNは、拡大・縮小した複数の入力画像を別々のCNNに通し、その出力の平均で多スケールに対応する。
解説: 肢3が不適切です。FPNの論文（Lin ほか）は、画像を拡大・縮小して特徴のピラミッドを作る方法は計算とメモリの負担が大きいとし、1つのCNNが元から持つ多段の階層を利用して、上位の層から戻る経路と横方向の接続で各スケールの特徴マップを少ない追加コストで作りました。肢1はYOLO…
関連キーワード: YOLO・SSD・FPN・物体検出・特徴マップ
正解済みまだ正解していませんQ4
セマンティックセグメンテーションのモデルに関する説明として、最も適切なものはどれか。
正解: 4. U-Netは、縮小していく経路と対称な拡大の経路を持ち、縮小側の特徴マップを拡大側へつないで位置を細かく復元する。
解説: 肢4が正解です。U-Netの論文（Ronneberger ほか）は、文脈をとらえる縮小側の経路と、正確な位置の特定を可能にする対称な拡大側の経路からなる構造を示し、縮小側の特徴マップを拡大側へ連結しています。肢1は誤りで、FCN（Long ほか）は全層を畳み込みにすることで任意の…
関連キーワード: セマンティックセグメンテーション・U-Net・FCN・SegNet・DeepLab
正解済みまだ正解していませんQ5
画像分類のCNNの構造に関するAからDまでの記述のうち、適切なものをすべて挙げた組合せはどれか。 A　VGGは、3×3の小さなフィルタの畳み込み層を重ねて層を深くし、精度を高めた。 B　DenseNetは、ResNetの層の数を減らし、代わりに各層のチャネル数（幅）を広げる方針をとった。 C　SENetは、チャネル間の関係をモデル化し、特徴マップのチャネルごとの応答に重みを付け直すブロックを導入した。 D　EfficientNetは、深さ・幅・入力の解像度のうち、深さを増やす方向に絞ってモデルを拡大する方法を示した。
正解: 3. A、C
解説: Aは適切です。VGGの論文（Simonyan・Zisserman）は、3×3の非常に小さなフィルタを使い、重みを持つ層を16〜19層まで深くすることで精度が大きく上がることを示しました。Cも適切です。SENetの論文（Hu ほか）は、チャネル間の依存関係を明示的にモデル化し、チャ…
関連キーワード: VGG・DenseNet・SENet・EfficientNet・Wide ResNet
正解済みまだ正解していませんQ6
次の文の（　）に入る語句として、最も適切なものはどれか。 Vision Transformer（ViT）は、画像を（　）に分割し、それぞれを線形に埋め込んで位置の情報を加えた列を、Transformerのエンコーダに入力して画像を分類する。
正解: 2. 固定サイズのパッチ
解説: 肢2が正解です。ViTの論文（Dosovitskiy ほか）は、画像を固定サイズのパッチに分け、各パッチを線形に埋め込んで位置の埋め込みを加えたベクトルの列を、標準的なTransformerのエンコーダに入力しています。論文は、画像のパッチを自然言語処理のトークン（単語）と同じよ…
関連キーワード: Vision Transformer・パッチ・Transformer・位置エンコーディング・画像分類
正解済みまだ正解していませんQ7
姿勢推定とOpenPoseに関する説明として、最も適切なものはどれか。
正解: 1. OpenPoseは、体の部位とそのつながり（PAF）を推定して、複数人の姿勢を組み立てる。
解説: 肢1が正解です。OpenPoseの論文（Cao ほか）は、体の部位を画像内の個人に結び付けるための表現としてPart Affinity Fields（PAF）を用い、画像に写る人数によらず複数人の2次元の姿勢を実時間で推定するボトムアップ型の方式を示しました。肢2は誤りで、先に人…
関連キーワード: 姿勢推定・OpenPose・Part Affinity Fields・ボトムアップ
正解済みまだ正解していませんQ8
文章や単語を数値で表す方法に関する説明として、最も適切なものはどれか。
正解: 2. TF-IDFは、ある文書の中で多く現れ、かつ出現する文書の数が少ない単語ほど大きな重みを付ける。
解説: 肢2が正解です。情報検索の教科書（Manning ほか『Introduction to Information Retrieval』6.2節）は、tf-idfの重みが、ある語が少数の文書の中で何度も現れるときに最も大きく、ほぼすべての文書に現れる語では最も小さくなると説明していま…
関連キーワード: ワンホットベクトル・BoW・TF-IDF・n-gram
正解済みまだ正解していませんQ9
word2vecに関する説明として、最も適切なものはどれか。
正解: 3. 学習で得られる単語の分散表現では、意味や使われ方の近い単語どうしのベクトルが近くなりやすい。
解説: 肢3が正解です。word2vecを提案した論文（Mikolov ほか）は、大量のテキストから単語の連続的なベクトル表現を効率よく学ぶ2つのモデル（CBOWとスキップグラム）を示し、得られたベクトルを単語の構文的・意味的な類似性を測るテストで評価しました。肢1は誤りで、中心の単語か…
関連キーワード: word2vec・CBOW・スキップグラム・分散表現
正解済みまだ正解していませんQ10
単語の埋め込み表現に関する説明として、最も不適切なものはどれか。
正解: 1. ELMoは、単語ごとに1つの固定したベクトルを割り当てるので、文脈が違っても同じ単語は同じベクトルで表される。
解説: 肢1が不適切です。ELMoの論文（Peters ほか）は、大規模なテキストで事前学習した深い双方向言語モデル（biLM）の内部状態から単語の表現を作り、同じ単語でも文脈によって使われ方が変わること（多義性）を表せるとしています。単語ごとに1つの固定したベクトルを割り当てるのはwo…
関連キーワード: ELMo・fastText・分散表現・文脈に依存した表現
正解済みまだ正解していませんQ11
BERTとGLUEに関する説明として、最も適切なものはどれか。
正解: 2. BERTは、事前学習したモデルに出力層を1つ加えてファインチューニングすることで、質問応答や言語推論など幅広いタスクに使えるとされた。
解説: 肢2が正解です。BERTの論文（Devlin ほか）は、ラベルの無いテキストで左右両方の文脈を使う深い双方向の表現を事前学習し、出力層を1つ加えてファインチューニングすることで、タスクごとに大きく構造を変えずに質問応答や言語推論など幅広いタスクに使えるとしました。BERTはBid…
関連キーワード: BERT・GLUE・事前学習・ファインチューニング
正解済みまだ正解していませんQ12
大規模言語モデルの性質を調べた論文「Language Models are Few-Shot Learners」（Brown ほか, 2020）の内容として、最も適切なものはどれか。
正解: 4. 自己回帰型の言語モデルに、タスクの説明と少数の例を文章で与え、重みを更新せずに多くのタスクで高い性能を示した。
解説: 肢4が正解です。この論文（Brown ほか）は、自己回帰型の言語モデルGPT-3を事前学習し、どのタスクでも勾配の更新やファインチューニングをせず、タスクと少数の実演例をテキストで与える設定（few-shot）で評価して、翻訳や質問応答などで高い性能を示しました。肢1は誤りで、マ…
関連キーワード: 大規模言語モデル・few-shot・文脈内学習・事前学習・自己回帰モデル
正解済みまだ正解していませんQ13
音声データの処理に関する説明として、最も適切なものはどれか。
正解: 1. A-D変換では、一定の時間の間隔で波形の振幅を測る標本化と、測った値を整数などで表す量子化を行う。
解説: 肢1が正解です。音声言語処理の教科書（Jurafsky・Martin『Speech and Language Processing』）は、アナログの信号をデジタルにするA-D変換を、ある時点ごとに振幅を測る標本化と、実数の値を整数で表す量子化の2段階として説明しています。量子化し…
関連キーワード: A-D変換・フォルマント・メル尺度・MFCC・FFT
正解済みまだ正解していませんQ14
音声認識・音声合成などの音声のタスクに関する説明として、最も不適切なものはどれか。
正解: 3. WaveNetは、テキストを入力として受け取り内容を分類するモデルで、音声の波形は生成しない。
解説: 肢3が不適切です。WaveNetの論文（van den Oord ほか）は、WaveNetを生の音声波形を生成する深層ニューラルネットワークとして提案し、テキスト音声合成に使うと従来の方式より自然だと人に評価されたと報告しています。肢1は適切で、CTC（Graves ほか, 20…
関連キーワード: CTC・隠れマルコフモデル・WaveNet・話者識別・音声合成
正解済みまだ正解していませんQ15
DQNを提案した論文（Mnih ほか「Playing Atari with Deep Reinforcement Learning」arXiv版, 2013年）の説明として、最も適切なものはどれか。
正解: 1. ゲーム画面の画素を入力とする畳み込みニューラルネットワークで行動価値を近似し、経験を蓄えて無作為に取り出す経験再生を用いた。
解説: 肢1が正解です。この論文（Mnih ほか）は、生の画素を入力とし、将来の報酬を見積もる価値関数を出力する畳み込みニューラルネットワークを、Q学習の変形で学習しました。学習では、エージェントの経験を蓄えておき、そこから無作為に取り出したミニバッチで更新する経験再生（experien…
関連キーワード: DQN・経験再生・Q学習・深層強化学習
正解済みまだ正解していませんQ16
深層強化学習の手法に関するAからDまでの記述のうち、適切なものをすべて挙げた組合せはどれか。 A　ダブルDQNは、行動の選択と行動価値の評価を分けることで、Q学習で起こる行動価値の過大評価を抑える。 B　デュエリングネットワークは、状態の価値と各行動のアドバンテージを別々の流れで推定し、組み合わせて行動価値を出す。 C　ノイジーネットワークは、ネットワークの重みにノイズを加えることで探索を減らし、学習を安定させる手法である。 D　Ape-Xは、多数のアクターが集めた経験を共有の再生メモリにため、優先度に応じて取り出して学習する分散型の手法である。
正解: 4. A、B、D
解説: Aは適切です。ダブルDQNの論文（van Hasselt ほか）は、DQNでも行動価値の過大評価が起きることを示し、行動の選択と評価を分けるDouble Q学習の考え方を取り入れて過大評価を減らしました。Bも適切で、デュエリングネットワーク（Wang ほか）は状態価値関数と行動の…
関連キーワード: ダブルDQN・デュエリングネットワーク・ノイジーネットワーク・Ape-X・Rainbow
正解済みまだ正解していませんQ17
人間のフィードバックによる強化学習（RLHF）に関する説明として、最も不適切なものはどれか。
正解: 2. 人が報酬を計算する数式を直接書き下し、その数式の値が大きくなるように方策を最適化する手法で、人による比較の評価は使わない。
解説: 肢2が不適切です。人の選好から学ぶ深層強化学習を示した論文（Christiano ほか, 2017）は、報酬関数を使わずに、人が2つの軌跡の断片を比べてどちらが良いかを選んだデータで報酬を推定し、その報酬で方策を学習しました。報酬の数式を人が直接書くのではなく、書きにくい目標を人…
関連キーワード: RLHF・報酬モデル・InstructGPT・深層強化学習
正解済みまだ正解していませんQ18
次の文の（ A ）（ B ）に入る語句の組合せとして、最も適切なものはどれか。シミュレータで学習したモデルを実機に移すこと（ A ）では、シミュレーションと現実の差が性能の低下を招く。これを減らす手法の1つに、シミュレータの物体の質感などの描画の条件を無作為に変えて学習し、現実をその変化の1つとして扱えるようにする（ B ）がある。
正解: 4. A：sim2real　B：ドメインランダマイゼーション
解説: 肢4が正解です。ドメインランダマイゼーションの論文（Tobin ほか, 2017）は、シミュレーションと実機の間の差（リアリティギャップ）を埋めるために、シミュレータの描画の条件を無作為に変えて学習し、変化が十分にあれば実世界もモデルにとって変化の1つに見えるようになると述べてい…
関連キーワード: sim2real・ドメインランダマイゼーション・残差強化学習・オフライン強化学習・報酬成形
正解済みまだ正解していませんQ19
GANとその発展に関する説明として、最も適切なものはどれか。
正解: 3. CycleGANは、対になった画像の組が無くても、2つの領域の間の画像変換を学習できる。
解説: 肢3が正解です。CycleGANの論文（Zhu ほか）は、対になった学習データが無い場合でも、2つの領域の間の画像変換を学習する方法を示し、変換してから元に戻すと元の画像に一致するというサイクル一貫性の損失を加えました。肢1は誤りで、サイクル一貫性はCycleGANの工夫です。P…
関連キーワード: GAN・DCGAN・Pix2Pix・CycleGAN
正解済みまだ正解していませんQ20
拡散モデルとNeRFに関する説明として、最も適切なものはどれか。
正解: 1. NeRFは、空間の位置と見る方向から、その点の密度と色を出力するネットワークで場面を表し、新しい視点の画像を合成する。
解説: 肢1が正解です。NeRFの論文（Mildenhall ほか）は、空間の位置と見る方向の5次元の座標を入力とし、その点の体積密度と見る方向によって変わる放射輝度（色）を出力する全結合のネットワークで場面を表し、複数の視点の画像から学習して新しい視点の画像を合成しました。肢3は誤りで…
関連キーワード: 拡散モデル・NeRF・画像生成・新規視点合成

もっと見る（残り 46 問）

正解済みまだ正解していませんQ21
転移学習とファインチューニングに関する説明として、最も不適切なものはどれか。
正解: 3. 破滅的忘却とは、新しいタスクを学習すると、前に学習したタスクの性能がかえって上がる現象をいう。
解説: 肢3が不適切です。破滅的忘却は、新しいタスクを学習すると、前に学習したタスクの性能が大きく落ちてしまう現象です。Kirkpatrick ほかは、前のタスクにとって重要な重みの学習を選択的に遅くすることで以前のタスクの知識を保つ方法（EWC）を示しており、肢4は適切です。肢1は転移…
関連キーワード: 転移学習・ファインチューニング・破滅的忘却・事前学習済みモデル
正解済みまだ正解していませんQ22
次の文の（　）に入る語句として、最も適切なものはどれか。ラベルの付いていない大量のデータから、データ自身を使って作った課題（例：同じ画像から作った2通りの加工画像を、同じ画像に由来するものとして見分ける）を解かせて表現を事前学習する方法を、（　）という。
正解: 1. 自己教師あり学習
解説: 肢1が正解です。自己教師あり学習は、人が付けたラベルの代わりに、データそのものから作った課題を解かせて表現を学ぶ方法です。SimCLRの論文（Chen ほか, 2020）は、同じ画像に異なるデータ拡張をかけた2つの見え方の表現が一致するように学ぶ対照学習の枠組みで、ラベルの無い画…
関連キーワード: 自己教師あり学習・半教師あり学習・One-shot・事前学習・対照学習
正解済みまだ正解していませんQ23
画像と言語を組み合わせて扱うモデルに関する説明として、最も適切なものはどれか。
正解: 4. CLIPは、画像と文章の組でどの文章がどの画像に合うかを当てる事前学習を行い、文章で指定したクラスに画像を分類できる。
解説: 肢4が正解です。CLIPの論文（Radford ほか, 2021）は、インターネットから集めた画像と文章の組を使い、どの文章がどの画像に対応するかを当てる事前学習を行い、学習後は視覚の概念を自然言語で参照することで、追加の学習なしに下流のタスクへ移せることを示しました。肢1は誤り…
関連キーワード: CLIP・DALL-E・Flamingo・基盤モデル・マルチモーダル
正解済みまだ正解していませんQ24
ある美術館が、来館者が作品の写真を撮り「この絵に描かれている鳥は何羽ですか」のように文章で質問すると、答えを文章で返す案内アプリを作りたい。このアプリの中心となるタスクとして、最も適切なものはどれか。
正解: 2. Visual Question Answering（VQA）
解説: 肢2が正解です。論文「VQA: Visual Question Answering」は、画像とその画像についての自然言語の質問を与えられて、正確な自然言語の答えを返すタスクとしてVisual Question Answeringを定めました。写真と文章の質問から文章の答えを返すこ…
関連キーワード: Visual Question Answering・Image Captioning・Text-To-Image・マルチモーダル
正解済みまだ正解していませんQ25
画像分類のCNNの判断根拠を可視化する手法に関する説明として、最も適切なものはどれか。
正解: 4. Grad-CAMは、対象クラスのスコアから最後の畳み込み層へ流れる勾配を使い、予測に効いた領域を示すマップを作る。
解説: 肢4が正解です。Grad-CAMの論文（Selvaraju ほか）は、対象となるクラスのスコアから最後の畳み込み層へ流れる勾配を使って、予測に重要な画像上の領域を示す粗い位置のマップを作る方法を示しました。構造の変更や再学習をせずに多くの種類のCNNに適用できるとしています。肢1…
関連キーワード: CAM・Grad-CAM・説明可能AI・モデルの解釈性
正解済みまだ正解していませんQ26
機械学習モデルの予測を説明する手法に関する説明として、最も不適切なものはどれか。
正解: 3. Permutation Importanceは、値を並べ替えても性能が下がらない特徴量ほど重要と判断する。
解説: 肢3が不適切です。scikit-learnの利用者ガイドは、Permutation Importanceを、1つの特徴量の値を無作為に並べ替えたときにモデルの性能がどの程度下がるかで、モデルがその特徴量にどれほど頼っているかを測る方法と説明しています。並べ替えても性能が下がらなけ…
関連キーワード: LIME・SHAP・Permutation Importance・説明可能AI
正解済みまだ正解していませんQ27
モデルの軽量化に関する説明として、最も適切なものはどれか。
正解: 1. 蒸留は、大きなモデル（教師）が出力するクラスの確率を目標に小さなモデル（生徒）を学習させ、その知識を移す手法である。
解説: 肢1が正解です。蒸留の論文（Hinton ほか）は、大きなモデルやアンサンブルが出力するクラスの確率（ソフトターゲット）を目標に小さなモデルを学習させ、その知識を移す方法を示しました。肢2は誤りで、重みなどを整数で表して整数の演算で推論し、計算とメモリを減らすのは量子化です（Ja…
関連キーワード: 蒸留・プルーニング・量子化・宝くじ仮説・エッジAI
正解済みまだ正解していませんQ28
ILSVRC 2014で使われたGoogLeNetの基本の構成要素であるInceptionモジュールに関する説明として、最も適切なものはどれか。
正解: 4. 1×1・3×3・5×5の畳み込みと3×3の最大値プーリングを並列に置き、各枝の出力をチャネル方向に連結する。
解説: 肢4が正解です。GoogLeNetの論文（Szegedy ほか）は、1×1・3×3・5×5の畳み込みと並列のプーリングの経路を組み合わせ、それぞれの出力を1つに連結して次の段の入力とするInceptionモジュールを示しました。Dive into Deep Learningも、ど…
関連キーワード: GoogLeNet・Inceptionモジュール・画像認識・ResNet
正解済みまだ正解していませんQ29
ニューラルネットワークの構造を自動で探索する手法に関する説明として、最も不適切なものはどれか。
正解: 2. MnasNetは、推論の遅延（レイテンシ）を実機では測らず、FLOPSなどの計算量で近似して探索の目的に組み込んだ。
解説: 肢2が不適切です。MnasNetの論文（Tan ほか）は、推論の遅延を探索の目的に明示的に組み込みました。そのうえで、従来の研究がFLOPSのような不正確になりがちな代わりの指標で遅延を見積もっていたのに対し、モデルを携帯電話で実際に動かして遅延を直接測っています。肢1はNASの…
関連キーワード: NAS・MnasNet・強化学習・レイテンシ
正解済みまだ正解していませんQ30
次の文の（　）に入る語句として、最も適切なものはどれか。シーン解析（画素ごとにクラスを割り当てるセマンティックセグメンテーション）のモデルPSPNetは、CNNの最後の特徴マップを、画像全体・半分・より小さな区画といった複数の大きさの区画ごとにプーリングする（　）を用いる。得られた大域的な文脈の特徴を元の大きさに拡大し、元の特徴マップと連結して画素ごとの予測に使う。
正解: 1. ピラミッドプーリングモジュール
解説: 肢1が正解です。PSPNetの論文（Zhao ほか）は、画素単位の予測に大域的な文脈を取り入れるため、特徴マップを1×1・2×2・3×3・6×6の4段階の区画に分けてプーリングするピラミッドプーリングモジュールを提案しました。各段の出力は1×1畳み込みでチャネル数を減らし、元の特…
関連キーワード: PSPNet・セマンティックセグメンテーション・ピラミッドプーリングモジュール・SegNet
正解済みまだ正解していませんQ31
ある植物園が、ImageNetで事前学習した画像分類のモデルを使い、園内で撮影した写真から10種類の花を見分けるモデルを作る。Dive into Deep Learningが説明するファインチューニングの進め方として、最も適切なものはどれか。
正解: 3. 出力層を10クラスの新しい層に替えて無作為に初期化し、出力層は大きめ、他の層は小さい学習率で学習する。
解説: 肢3が正解です。Dive into Deep Learningは、ファインチューニングを、事前学習したモデルから出力層以外の構造と重みを写し、目的のクラス数の出力層を加えて無作為に初期化し、目的のデータで学習する手順として説明しています。写した重みはすでに有効なので小さい学習率で…
関連キーワード: ファインチューニング・転移学習・事前学習済みモデル・学習率
正解済みまだ正解していませんQ32
物体検出で、正解の矩形Aの左下の角が(0, 0)・右上の角が(4, 2)、予測した矩形Bの左下の角が(2, 0)・右上の角が(6, 2)であった。AとBのIoU（Intersection over Union）として、最も適切なものはどれか。なお、座標の単位はどちらも画素とする。
正解: 4. 1/3
解説: 肢4が正解です。IoUは、2つの領域の共通部分の面積を和集合の面積で割った値です（Dive into Deep Learning 14.4.2）。Aの面積は4×2＝8、Bの面積も4×2＝8です。共通部分は横が2から4、縦が0から2の矩形なので2×2＝4です。和集合の面積は8＋8−…
関連キーワード: IoU・物体検出・バウンディングボックス
正解済みまだ正解していませんQ33
日本語の形態素解析に関する説明として、最も適切なものはどれか。
正解: 3. 辞書を使って語の区切り方と品詞の候補を網のように並べたラティスを作り、最も確からしい経路を選ぶ。
解説: 肢3が正解です。CRFを日本語の形態素解析に使ったKudo ほか（2004年）は、語と品詞の組を並べた辞書を使って、入力文から考えられる区切り方と品詞の候補の経路をすべて表すラティスを作り、その中から最適な経路を選ぶという、日本語の形態素解析で伝統的な枠組みを説明しています。肢1…
関連キーワード: 形態素解析・CRF・ラティス・自然言語処理
正解済みまだ正解していませんQ34
自然言語処理のタスクに関するAからDまでの記述のうち、適切なものをすべて挙げた組合せはどれか。 A　構文解析は、文の中の語や句の文法的な関係を解析し、句の構造や語どうしの係り受けを木などの構造で表すタスクである。 B　情報検索は、利用者が入力したクエリに対し、文書の集まりから関連する文書を探し、関連の度合いの順に並べて返すタスクである。 C　感情分析は、文章中の人名・地名・組織名などの固有名詞を見つけ出し、それぞれの種類を付けるタスクである。 D　機械翻訳は、ある言語で書かれた文章を、別の言語の文章に自動で変換するタスクである。
正解: 2. A、B、D
解説: Aは適切です。Jurafsky・Martinの教科書（Speech and Language Processing, 2026年8月版）は、構文解析を文に構文の構造を割り当てるタスクとし、句の構造（構成素）で表す方法と、語と語の間の向きのある関係（係り受け）で表す方法を説明してい…
関連キーワード: 構文解析・情報検索・感情分析・機械翻訳・固有表現抽出
正解済みまだ正解していませんQ35
word2vecなどで学習した単語の埋め込み（分散表現）で見られる類推（アナロジー）の性質に関する説明として、最も適切なものはどれか。
正解: 4. king − man + woman が「queen」に近いベクトルになるように、語の関係がベクトルの差に表れうる。
解説: 肢4が正解です。word2vecを提案した論文（Mikolov ほか, 2013年）は、vector(King) − vector(Man) + vector(Woman) が Queen のベクトルに最も近くなるという先行研究の結果を紹介し、同じ形の類推の問題で精度を測りました…
関連キーワード: 単語埋め込み・分散表現・word2vec・類推
正解済みまだ正解していませんQ36
思考の連鎖（chain-of-thought）プロンプトと、それを用いた研究に関する説明として、最も適切なものはどれか。
正解: 3. 途中の推論を書いた例を数件プロンプトに示すと、十分に大きな言語モデルで算数・常識・記号の推論の性能が上がると示された。
解説: 肢3が正解です。思考の連鎖プロンプトを提案した論文（Wei ほか, 2022年）は、答えに至る途中の推論の過程を書いた例を少数、プロンプトの中に示すだけで、算数・常識・記号の推論の課題で性能が上がることを示しました。肢1は誤りで、同論文は大きな学習データを必要とせず、1つのモデル…
関連キーワード: 思考の連鎖・PaLM・大規模言語モデル・プロンプト
正解済みまだ正解していませんQ37
機械翻訳の訳文を自動で評価する指標に関する説明として、最も不適切なものはどれか。
正解: 1. BLEUは、候補の訳が参照訳より長いほど大きな罰則（brevity penalty）を掛け、短い訳は罰しない。
解説: 肢1が不適切です。BLEUの論文（Papineni ほか, 2002年）は、参照訳より長い訳は修正n-gram適合率ですでに罰せられているとし、短すぎる訳を罰するためにbrevity penaltyを掛けました。候補の長さが参照訳の長さより短いときに1より小さくなり、同じか長いと…
関連キーワード: 機械翻訳・BLEU・chrF・n-gram
正解済みまだ正解していませんQ38
標本化周波数16 kHz、量子化ビット数16ビット、モノラル（1チャネル）の線形PCMで音声を記録するとき、1秒あたりのデータ量（ビットレート）として、最も適切なものはどれか。なお、圧縮はせず、1 kbit＝1,000 bitとする。
正解: 4. 256 kbit/s
解説: 肢4が正解です。線形PCMでは、1秒間に標本化周波数の数だけ振幅を測り、1つの値を量子化ビット数で表します。ビットレート＝標本化周波数×量子化ビット数×チャネル数＝16,000×16×1＝256,000 bit/s＝256 kbit/sです。肢1はバイトに直した値（256,000…
関連キーワード: PCM・A-D変換・標本化・ナイキスト周波数
正解済みまだ正解していませんQ39
次の文の（ A ）（ B ）に入る語句の組合せとして、最も適切なものはどれか。音声は統計的な性質が時間とともに変わる信号だが、例えば25ミリ秒程度の短い区間の中では性質がほぼ一定の（ A ）な信号とみなせる。そこで窓を少しずつずらしながら信号を切り出し、切り出した区間である（ B ）ごとにスペクトルを求める。
正解: 2. A：定常　B：フレーム
解説: 肢2が正解です。Jurafsky・Martinの教科書は、音声は一般に統計的な性質が時間とともに変わる非定常な信号だが、1つの音素の一部にあたる程度の小さな窓の中ではほぼ定常とみなせるとし、窓を音声に沿って動かして切り出した各区間をフレームと呼んでいます。窓は大きさ（例：25ミリ…
関連キーワード: 音声処理・フレーム・スペクトル・定常
正解済みまだ正解していませんQ40
音声の特徴量に関する説明として、最も不適切なものはどれか。
正解: 1. ケプストラムでは、基本周波数の成分が低い次数に現れるため、音素を見分けるには高い次数の係数を使う。
解説: 肢1が不適切です。Jurafsky・Martinの教科書は、ケプストラムを声帯の音源と声道のフィルタを分ける方法として説明し、基本周波数（F0）による大きな山は高い次数の側に現れ、声道の特性は低い次数の側に表れるので、音素の識別には低い次数を、声の高さの検出には高い次数を使うとし…
関連キーワード: スペクトル包絡・フォルマント・ケプストラム・MFCC
正解済みまだ正解していませんQ41
強化学習やロボットの制御で使われる状態表現学習に関する説明として、最も適切なものはどれか。
正解: 2. 観測から、エージェントの行動によって時間とともに変わる環境の特徴を低次元の表現として学び、方策の学習を助ける。
解説: 肢2が正解です。状態表現学習の総説（Lesort ほか, 2018年）は、状態表現学習を、学習する特徴が低次元で、時間とともに変化し、エージェントの行動の影響を受ける表現学習の一種と説明しています。エージェントの行動が生む環境の変化をとらえるため、ロボットや制御の場面に特に適して…
関連キーワード: 状態表現学習・深層強化学習・次元の呪い・ロボット制御
正解済みまだ正解していませんQ42
連続値制御のための深層強化学習の手法DDPG（Lillicrap ほか, arXiv 2015年）の説明として、最も適切なものはどれか。
正解: 4. DQNの考え方を連続の行動空間に広げた、決定的な方策勾配にもとづくActor-Critic型の手法である。
解説: 肢4が正解です。DDPGの論文（Lillicrap ほか）は、Deep Q-Learningの成功を支えた考え方を連続の行動の領域に持ち込み、決定的な方策勾配にもとづくActor-Critic型でモデルフリーのアルゴリズムを示しました。DQNと同じく再生バッファから経験を取り出し…
関連キーワード: 連続値制御・DDPG・Actor-Critic・方策勾配
正解済みまだ正解していませんQ43
深層強化学習の手法A3CとPPOに関する説明として、最も不適切なものはどれか。
正解: 1. A3Cは、経験再生のメモリにためた過去の経験を無作為に取り出して学習に使い、データの相関を減らした。
解説: 肢1が不適切です。A3Cを示した論文（Mnih ほか, 2016年）は、経験再生の代わりに、複数のエージェントを環境の複数のコピーで非同期に並行して動かす方法をとりました。各時点で並行するエージェントが異なる状態を経験するので、データの相関が減るとしています。経験再生を使わないた…
関連キーワード: A3C・PPO・経験再生・TRPO
正解済みまだ正解していませんQ44
深層強化学習のエージェントAgent57（Badia ほか, arXiv 2020年）の説明として、最も適切なものはどれか。
正解: 2. Atariの57のゲームのいずれでも人間の標準的な基準を上回った、最初の深層強化学習エージェントとして報告された。
解説: 肢2が正解です。Agent57の論文（Badia ほか）は、Agent57を、Atariの57のゲームすべてで人間の標準的な基準を上回った最初の深層強化学習エージェントとして提案しました。論文によると、それまでの手法は多くのゲームで非常に良い成績を出して平均を上げる一方、最も難し…
関連キーワード: Agent57・深層強化学習・Atari・探索と活用
正解済みまだ正解していませんQ45
マルチエージェント強化学習を用いたゲームのAIに関するAからDまでの記述のうち、適切なものをすべて挙げた組合せはどれか。 A　AlphaStar（StarCraft II）は、まず人の対戦の記録から教師あり学習で基本の戦い方をまねて学び、その後、エージェントどうしが対戦し合うリーグの中で強化学習により強くなった。 B　OpenAI Five（Dota 2）は、長い時間の見通し・不完全情報・複雑で連続的な状態と行動の空間という課題に対し、大規模な自己対戦の強化学習で学習した。 C　AlphaStarのリーグでは、新しい対戦相手が加わるたびに以前の対戦相手を取り除き、過去の戦略に勝つ力は保たなくてよいとされた。 D　StarCraft IIは、囲碁やチェスと同じく相手の状況を含む盤面の情報が両者に見え、手番を交互に指す完全情報のゲームである。
正解: 1. A、B
解説: Aは適切です。DeepMindの解説（2019年1月）によると、AlphaStarのニューラルネットワークは、まず人の対戦の記録から教師あり学習でまねて学び、その後、エージェントどうしが対戦し続けるリーグによるマルチエージェント強化学習で鍛えられました。Bも適切で、OpenAI …
関連キーワード: マルチエージェント強化学習・AlphaStar・OpenAI Five・自己対戦
正解済みまだ正解していませんQ46
深層学習のマルチタスク学習に関する説明として、最も適切なものはどれか。
正解: 3. ハードパラメータ共有では、隠れ層を複数のタスクで共有し、出力層はタスクごとに別々に持つ。
解説: 肢3が正解です。深層学習のマルチタスク学習の総説（Ruder, 2017年）は、よく使われる方法として2つを挙げています。ハードパラメータ共有は、隠れ層をすべてのタスクで共有し、タスクごとの出力層を持つ方法で、過学習の危険を大きく下げるとされます。ソフトパラメータ共有は、タスクご…
関連キーワード: マルチタスク学習・ハードパラメータ共有・ソフトパラメータ共有・過学習
正解済みまだ正解していませんQ47
Unified-IO（Lu ほか, arXiv 2022年）の説明として、最も適切なものはどれか。
正解: 2. 画像・画素ごとのマップ・マスク・矩形・文章などの入出力を離散トークンの列にそろえ、1つのTransformerで多数のタスクを扱う。
解説: 肢2が正解です。Unified-IOの論文（Lu ほか）は、姿勢推定・物体検出・深度推定・画像生成などの視覚のタスク、領域の説明文の生成などの視覚と言語のタスク、質問応答などの言語のタスクを1つのモデルで扱うため、RGB画像・画素ごとのマップ・二値のマスク・矩形・文章といった異な…
関連キーワード: Unified-IO・マルチモーダル・マルチタスク学習・Transformer
正解済みまだ正解していませんQ48
米国NISTの報告書「Four Principles of Explainable Artificial Intelligence」（NISTIR 8312, 2021年9月）が示す説明可能AI（XAI）の4つの原則に関する説明として、最も不適切なものはどれか。
正解: 4. 「説明の正確さ」の原則は、システムの判断そのものが正しいこと、すなわち予測の正解率が高いことを求める。
解説: 肢4が不適切です。NISTIR 8312は、「説明の正確さ」を、説明がシステムの出力を生んだ理由や処理を正しく反映していることと定め、システムの判断が正しいかどうかを表す判断の正確さ（decision accuracy）とは別の概念だとしています。判断が正しくても、その説明が判断…
関連キーワード: 説明可能AI・XAI・NIST・モデルの解釈性
正解済みまだ正解していませんQ49
ある予測モデルの1件の予測を、2つの特徴量AとBの寄与に分けて説明したい。使う特徴量の組ごとのモデルの出力は、どちらも使わないとき0、Aだけを使うとき10、Bだけを使うとき20、AとBの両方を使うとき40であった。このとき、シャープレイ値によるAの寄与として、最も適切なものはどれか。
正解: 3. 15
解説: 肢3が正解です。SHAPの論文（Lundberg・Lee, 2017年）が示す古典的なシャープレイ値は、ある特徴量を加えたときの出力の増分を、ほかの特徴量のあらゆる組について重み付きで平均した値です。特徴量が2つなら、Aを先に加える場合と後に加える場合の増分を1/2ずつ平均します…
関連キーワード: シャープレイ値・SHAP・説明可能AI・モデルの解釈性
正解済みまだ正解していませんQ50
モデル圧縮の手法Deep Compression（Han ほか, arXiv 2015年）の説明として、最も適切なものはどれか。
正解: 1. 小さい重みの結合を除く枝刈り、重みを共有させる量子化、ハフマン符号化を順に行い、最初の2段階の後に再学習する。
解説: 肢1が正解です。Deep Compressionの論文（Han ほか）は、枝刈り・学習つきの量子化・ハフマン符号化の3段階のパイプラインを示しました。まず通常の学習の後にしきい値より小さい重みの結合を取り除き、次に重みをk平均法でまとめて複数の結合に同じ重み（代表値）を共有させ、…
関連キーワード: モデル圧縮・プルーニング・量子化・ハフマン符号化
正解済みまだ正解していませんQ51
インスタンスセグメンテーションのモデルMask R-CNN（He ほか）で導入されたRoIAlignに関する説明として、最も適切なものはどれか。
正解: 4. RoIAlignは、候補領域とその区画の座標を丸めずに、各区画の標本点の値を近くの格子点から双線形補間で求める層である。
解説: 「座標を丸めずに…双線形補間で求め」る説明が適切です。Mask R-CNNの論文（He ほか）によると、従来のRoIPoolは候補領域の座標を特徴マップの刻みに丸め、区画に分けるときにも丸めるため、取り出した特徴と候補領域の位置がずれます。RoIAlignはこの丸めをやめ、各区画…
関連キーワード: Mask R-CNN・インスタンスセグメンテーション・物体検出・RoIAlign
正解済みまだ正解していませんQ52
MobileNet（Howard ほか）では、幅の乗数αで各層の入力と出力のチャネル数をα倍にし、解像度の乗数ρで入力画像と各層の特徴マップの縦横をρ倍にして、モデルを軽量化する。もとのMobileNet（α＝1、ρ＝1）に対して、α＝0.6、ρ＝0.5としたときの、計算量（積和の回数）とパラメータ数のおよその倍率の組として、最も適切なものはどれか。なお、組は「計算量の倍率と、パラメータ数の倍率」の順に示す。
正解: 3. 0.09と0.36
解説: 「0.09と0.36」が適切です。MobileNetの論文（Howard ほか）は、幅の乗数αが計算量とパラメータ数をおよそα²倍に減らし、解像度の乗数ρが計算量をρ²倍に減らすとしています。重みの数は特徴マップの縦横によらないため、ρを変えてもパラメータ数は変わりません（論文の…
関連キーワード: MobileNet・モデル圧縮・エッジAI・幅の乗数
正解済みまだ正解していませんQ53
Vision Transformer（ViT）の論文（Dosovitskiy ほか）が報告した、事前学習のデータの規模と性能の関係に関する説明として、最も適切なものはどれか。
正解: 4. CNNの帰納バイアスの一部を持たず、中規模のデータではResNetに劣るが、大規模な事前学習で上回った。
解説: 「CNNの帰納バイアスの一部を持たず…大規模な事前学習で上回った」が適切です。ViTの論文（Dosovitskiy ほか）は、ImageNetのような中規模のデータで強い正則化なしに学習すると、同じ規模のResNetより数ポイント低い精度にとどまるとしました。平行移動の等変性や局…
関連キーワード: Vision Transformer・事前学習・ResNet・帰納バイアス
正解済みまだ正解していませんQ54
セマンティックセグメンテーションのモデルDeepLabの論文（Chen ほか。会議論文で発表した最初の版を改良した版）が示した工夫に関する説明として、最も適切なものはどれか。
正解: 3. atrous畳み込みで特徴の解像度を保って受容野を広げ、ASPPで複数の大きさの物体をとらえ、全結合のCRFで境界の位置を改善した。
解説: 「atrous畳み込み…ASPP…全結合のCRF」の説明が適切です。DeepLabの論文（Chen ほか）は3つの貢献として、フィルタの要素の間に間隔を空ける畳み込み（atrous畳み込み）で、パラメータの数や計算量を増やさずに特徴の解像度を保ちながら受容野を広げること、間隔の異…
関連キーワード: DeepLab・セマンティックセグメンテーション・atrous畳み込み・ASPP
正解済みまだ正解していませんQ55
パノプティックセグメンテーションの評価指標PQ（Panoptic Quality）を、ある1つのクラスについて求める。このクラスの正解の区画は4つ、予測の区画も4つで、IoUが0.9、0.8、0.7の組が1組ずつあり、残りの予測の区画1つと正解の区画1つはIoUが0.4で重なっている。ほかに重なりはない。PQの値として、最も適切なものはどれか。なお、予測と正解の区画の一致は、IoUが0.5を超える組とする。
正解: 2. 0.6
解説: 「0.6」が適切です。PQを提案した論文（Kirillov ほか）は、IoUが0.5を超える組を一致（TP）とし、一致しない予測をFP、一致しない正解をFNとして、PQ＝（TPのIoUの和）÷（TPの数＋½×FPの数＋½×FNの数）と定めています。IoUが0.4の組は一致しないの…
関連キーワード: パノプティックセグメンテーション・セマンティックセグメンテーション・インスタンスセグメンテーション・PQ
正解済みまだ正解していませんQ56
ある言語モデルに、4語からなるテスト用の系列w1w2w3w4を与えたところ、各語の条件付き確率は、P(w1)＝1/4、P(w2|w1)＝1/2、P(w3|w1w2)＝1/8、P(w4|w1w2w3)＝1/4であった。この系列に対するパープレキシティとして、最も適切なものはどれか。なお、文頭・文末を表す記号は考えない。
正解: 1. 4
解説: 「4」が適切です。Jurafsky・Martin『Speech and Language Processing』（第3版草稿）は、テスト系列のパープレキシティを、系列の確率の逆数を語数Nで正規化した値、すなわちP(w1…wN)の−1/N乗と定めています。系列の確率は連鎖律で1/4…
関連キーワード: n-gram・大規模言語モデル・パープレキシティ・言語モデル
正解済みまだ正解していませんQ57
BERT（Devlin ほか）を、SQuAD v1.1のように段落の中から答えの範囲を抜き出す質問応答のタスクにファインチューニングするときの方法に関する説明として、最も適切なものはどれか。
正解: 1. 質問と段落を1つの系列にして入力し、各トークンの表現と、追加した開始・終了のベクトルとの内積から、答えの範囲の始まりと終わりを決める。
解説: 「質問と段落を1つの系列にして…内積から…決める」説明が適切です。BERTの論文（Devlin ほか）は、SQuAD v1.1で質問と段落を1つにまとめた系列として入力し、ファインチューニングで開始ベクトルSと終了ベクトルEを新たに加えます。段落の各トークンの表現とSの内積をソフ…
関連キーワード: BERT・質問応答・ファインチューニング・SQuAD
正解済みまだ正解していませんQ58
音声の波形を生成するモデルWaveNetを提案した論文（van den Oord ほか）が示した仕組みに関する説明として、最も不適切なものはどれか。
正解: 2. 生成のときも学習と同じく、全時刻の標本を並列に計算でき、1標本ずつ予測を繰り返す必要がない。
解説: 「生成のときも学習と同じく、全時刻の標本を並列に計算でき」が不適切です。WaveNetの論文（van den Oord ほか）によると、学習では正解の波形が全時刻でわかっているので全時刻の予測を並列に計算できますが、生成では1標本を予測するたびにそれをネットワークの入力に戻して次…
関連キーワード: WaveNet・音声合成・因果的畳み込み・μ-law
正解済みまだ正解していませんQ59
オフライン強化学習に関する説明として、最も適切なものはどれか。
正解: 4. 固定のデータから方策を学ぶので、データと異なる行動を評価する際の分布のずれが主な課題となる。
解説: 「固定のデータから方策を学ぶので、データと異なる行動を評価する際の分布のずれが主な課題となる」が適切です。Levineらのオフライン強化学習のチュートリアル論文は、環境と新たにやり取りせず、固定のデータセットから、実際に使ったときの累積報酬がなるべく大きい方策を学ぶ問題と定義し、…
関連キーワード: オフライン強化学習・行動価値関数・深層強化学習・分布のずれ
正解済みまだ正解していませんQ60
接触や摩擦を含み物理モデルで表しにくいロボットの制御で使われる残差強化学習（Johannink ほか, arXiv 2018年）の説明として、最も適切なものはどれか。
正解: 4. 従来のフィードバック制御で効率よく解ける部分と残りに分け、残りを強化学習で解き、両方の制御信号を足し合わせる手法である。
解説: 「従来のフィードバック制御で効率よく解ける部分と残りに分け、残りを強化学習で解き、両方の制御信号を足し合わせる手法である」が適切です。Johanninkらの論文は、接触や摩擦を含み物理モデルで表しにくい製造の制御問題を、従来のフィードバック制御で効率よく解ける部分と、強化学習で解…
関連キーワード: 残差強化学習・連続値制御・ロボット制御
正解済みまだ正解していませんQ61
GANの原論文（Goodfellow ほか, arXiv 2014年）は、生成器Gと識別器Dを任意の関数の空間で考えたときの理論的な性質を示した。学習データの分布をp_data(x)、生成器が作るデータの分布をp_g(x)とするとき、その内容として、最も適切なものはどれか。
正解: 3. Gを固定したときの最適な識別器の出力は、p_data(x)／(p_data(x)＋p_g(x))と表される。
解説: 「Gを固定したときの最適な識別器の出力は、p_data(x)／(p_data(x)＋p_g(x))と表される」が適切です。Goodfellowらの論文はGを固定したときの最適な識別器をこの式で示しており、p_g＝p_dataのときこの値は1/2です。論文は、任意の関数の空間では、…
関連キーワード: GAN・大域最適解・生成モデル
正解済みまだ正解していませんQ62
対照学習による自己教師あり学習の枠組みSimCLR（Chen ほか, arXiv 2020年）の論文で示された知見として、最も不適切なものはどれか。
正解: 3. 教師あり学習で使うより弱いデータ拡張のほうが、教師なしの対照学習ではよい表現が得られた。
解説: 「教師あり学習で使うより弱いデータ拡張のほうが、教師なしの対照学習ではよい表現が得られた」が不適切です。SimCLRの論文（Chen ほか）は、教師なしの対照学習は教師あり学習より強いデータ拡張から恩恵を受けると報告しており、向きが逆です。「複数のデータ拡張を組み合わせること」が…
関連キーワード: 自己教師あり学習・Contrastive Loss・事前学習・対照学習
正解済みまだ正解していませんQ63
画像や動画と文章を扱うモデルFlamingo（Alayrac ほか, arXiv 2022年）の構成の説明として、最も適切なものはどれか。
正解: 2. 事前学習済みの視覚のモデルと言語モデルを凍結したまま、その間に新しく学習する層を加えてつなぐ。
解説: 「事前学習済みの視覚のモデルと言語モデルを凍結したまま、その間に新しく学習する層を加えてつなぐ」が適切です。Flamingoの論文は、凍結した2つのモデルの間に新しい構成要素を加えてつなぐとし、視覚のモデルの出力をPerceiver Resamplerで決まった数の視覚トークンに…
関連キーワード: Flamingo・Few-shot・基盤モデル・マルチモーダル
正解済みまだ正解していませんQ64
ある小売企業の分析担当者は、互いに強く相関する2つの特徴量X（来店回数）とY（購買回数）を含むデータで予測モデルを学習した。検証データでの精度は十分に高かったが、検証データで求めたPermutation Importance（並べ替えによる特徴量の重要度）は、XとYのどちらも低く出た。この結果の解釈として、最も適切なものはどれか。
正解: 2. 一方の値を並べ替えても、モデルは相関するもう一方から同じ情報を得られるので、2つとも実際より低く出ることがある。
解説: 「一方の値を並べ替えても、モデルは相関するもう一方から同じ情報を得られるので、2つとも実際より低く出ることがある」が適切です。scikit-learnのユーザーガイドは、相関する2つの特徴量の一方を並べ替えても、モデルは相関するもう一方を通じて情報を得られるため、実際には重要でも…
関連キーワード: Permutation Importance・説明可能AI・モデルの解釈性
正解済みまだ正解していませんQ65
蒸留（Hinton ほか, arXiv 2015年）では、教師モデルのソフトマックス関数に温度Tを入れ、T＞1として柔らかい目標を作る。2クラスの教師モデルのロジットがz_1＝2 ln 3、z_2＝0で、T＝2のとき、クラス1の柔らかい目標の確率として、最も適切なものはどれか。ln は自然対数とする。
正解: 1. 3/4
解説: 「3/4」が適切です。蒸留の論文（Hinton ほか）は、温度Tつきのソフトマックス関数をq_i＝exp(z_i／T)／Σ_j exp(z_j／T)と定め、Tを高くすると確率の分布が柔らかくなると述べています。z_1／T＝2 ln 3÷2＝ln 3、z_2／T＝0なので、q_1＝…
関連キーワード: 蒸留・ソフトマックス関数・モデル圧縮・温度
正解済みまだ正解していませんQ66
整数の演算で推論するための量子化を示した研究（Jacob ほか, arXiv 2017年）の、学習の方法に関する説明として、最も適切なものはどれか。
正解: 1. 学習中の計算グラフに重みと活性化の量子化を模擬する節点を入れ、計算は浮動小数点のまま通常の最適化で学習する。
解説: 「学習中の計算グラフに重みと活性化の量子化を模擬する節点を入れ、計算は浮動小数点のまま通常の最適化で学習する」が適切です。Jacobらの論文は、重みと活性化を8ビットの整数で表して整数の演算で推論する方式を示し、量子化の後も精度を保つため、学習では量子化を模擬する節点を計算グラフ…
関連キーワード: 量子化・エッジAI・モデル圧縮

増やしてほしいと送りました

送った後に問増えました

この科目は 66 問。足りないと感じたら

この科目の学習ポイントを読む

ぴよパスではG検定（ジェネラリスト検定）の問題を8カテゴリに分けています。ディープラーニングの応用例にはオリジナル予想問題を66問収録し、サイト内のG検定（ジェネラリスト検定）全435問の約15%を占めます。この割合は本試験の出題比率ではありません。このカテゴリの収録テーマには物体検出・セマンティックセグメンテーション・事前学習・深層強化学習などがあります。本試験の情報は合格率76.97%（2026年第5回・オンライン試験と会場試験の合計。受験者14,908名・合格者11,475名）・試験時間100分・受験料13,200円です。

回答後に解説を読み、分からなかった用語や手順をテキストで確かめてから解き直す使い方ができます。関連する用語や条件は、人工知能とその動向・機械学習の概要・ディープラーニングの概要などのカテゴリでも確認できます。模擬試験はPremiumの機能です。問題数・科目構成・制限時間は模試の開始画面で確認してください。

主な出題テーマ:物体検出セマンティックセグメンテーション事前学習深層強化学習説明可能AIファインチューニング

ディープラーニングの応用例の出題傾向 — 収録全66問の分析

ぴよパスに収録しているG検定（ジェネラリスト検定）「ディープラーニングの応用例」のオリジナル練習問題全66問を集計した、実データに基づく傾向まとめです

頻出テーマ (出題数の多い順)

物体検出5問
セマンティックセグメンテーション5問
事前学習5問
深層強化学習5問
説明可能AI5問

次の科目へ

AIの社会実装と数理・統計36 問

Premium 限定

本試験の規模にそろえて、8分野を通して解く

オンライン試験の案内（145問程度・100分）にそろえた145問・100分（1つあたり約41秒）で、技術分野から法律・倫理まで8分野を混ぜて解きます。JDLAは分野ごとの出題数と合格ラインを公表していないため、配分と70%の目安はぴよパスの設定です。100分を取れない日は、開始画面で41分の短縮演習も選べます。

145問の模擬試験を始める

ディープラーニングの応用例 — よくある質問

この科目の問題数・学習順序・出題比率・合格ラインの目安をまとめました

G検定（ジェネラリスト検定）のディープラーニングの応用例は何問用意されていますか？: ぴよパスではG検定（ジェネラリスト検定）のディープラーニングの応用例に全66問のオリジナル練習問題を用意しています。G検定（ジェネラリスト検定）の収録全435問のうち約15%です。回答後に解説を確認できます。
ディープラーニングの応用例はどんな順序で学習するのがおすすめですか？: テキストで学んだ範囲や、確認したい用語の問題から取り組めます。迷う場合は一覧の先頭から数問解き、解説を読んでも分からない箇所をテキストで確認してください。問題番号は一覧内の順番です。ぴよパスではG検定（ジェネラリスト検定）の問題を8カテゴリ（ディープラーニングの応用例 / 人工知能とその動向・機械学習の概要・ディープラーニングの概要・ディープラーニングの要素技術）に分けているので、関連する内容は別のカテゴリでも確認できます。
ディープラーニングの応用例の問題数は、通常演習と模試でどう違いますか？: ディープラーニングの応用例は、ぴよパスでG検定（ジェネラリスト検定）の問題を分けている8カテゴリの一つです。ぴよパスに収録しているディープラーニングの応用例の問題数は66問 / 全435問で、収録全体の約15%にあたります。ぴよパスの模擬試験の基本設定では、ディープラーニングの応用例を全145問中22問（約15%）出題します。これは模試の配分であり、本試験の出題比率を示すものではありません。
ディープラーニングの応用例で合格ラインを割らないためのコツはありますか？: G検定（ジェネラリスト検定）の合格基準は「合格ラインと得点は公表されていません（JDLAの公式FAQ『合格ラインおよび得点については開示しておりません』）」です。科目別の条件は「技術分野・法律・倫理分野ごとの足切りの有無も公表されていません」です。サイト内のカテゴリ分けと本試験の科目区分は一致しない場合があります。ディープラーニングの応用例の正答率だけで合否を判断せず、間違えた問題の内容と、本試験で適用される基準を確認してください。