G検定　⑥ DL要素技術

ディープラーニングを構成する代表的なモデルや技術を学ぶ分野です。畳み込みニューラルネットワーク（CNN）や再帰型ニューラルネットワーク（RNN・LSTM）、オートエンコーダ、ドロップアウトや正規化などの学習を安定させる技術が問われます。各モデルがどのようなデータや課題に適しているかを区別することが重要です。要素技術は応用分野の土台になるため、仕組みの概要と特徴を結びつけて理解しておきましょう。

この分野の問題100問を、選択肢・正解・解説つきで掲載しています。まず自分で解答を考えてから「正解と解説を見る」を開いて答え合わせをしてください。

クイズモードで挑戦 →

第472問画像の特徴を抽出するために畳み込み層で用いられ入力画像と掛け合わせる重みの集合を何と呼ぶか。

Aフィルタ（カーネル）
Bバイアス
C閾値
Dプーリング

正解と解説を見る

正解：A．フィルタ（カーネル）

画像の上に重ねて各ピクセルの値と掛け合わせることで特定の特徴を抽出する役割を持ちます。

G検定 ⑥ DL要素技術

第472問画像の特徴を抽出するために畳み込み層で用いられ入力画像と掛け合わせる重みの集合を何と呼ぶか。

第473問畳み込み層で行われる画像とフィルタの同じ位置の値を掛け合わせて総和をとる処理を何というか。

第474問畳み込み処理によって特徴マップのサイズが縮小していくことを防ぐために入力データの周囲に余白を追加する処理はどれか。

第475問畳み込み処理を行う際フィルタを重ねる位置を少しずつずらしていくがそのずらす幅の大きさを何と呼ぶか。

第476問フィルタの値を隣接させず間隔を空けて適用することで広い範囲の情報を集約できるようにした畳み込み手法はどれか。

第477問空間方向とチャネル方向の畳み込みを分割する手法のうち特徴マップの各チャネルに対して独立して行われる畳み込み処理はどれか。

第478問空間方向とチャネル方向の畳み込みを分割する手法のうち1×1のサイズのフィルタを用いてチャネル間の情報を集約する処理はどれか。

第479問画像の微小な位置の変化に対する不変性を獲得するために特徴マップの情報をルールに従って小さくまとめる層はどれか。

第480問プーリング処理の中で分割した小領域の中から最も大きな値を抽出して情報を集約する手法を何と呼ぶか。

第481問抽出された特徴マップの値を1列のフラットな状態に変換しすべての特徴に対して重みを掛けて最終的な予測を行う層はどれか。

第482問全結合層を用いずに特徴マップの各チャネルの平均値を算出しそれをそのまま予測出力に利用する手法はどれか。

第483問ニューラルネットワークの層が非常に深くなった際に手前の層の入力情報を飛び越えて奥の層へ足し合わせる仕組みはどれか。

第484問スキップ結合を導入したことで100層を超えるような超深層のネットワークの学習を可能にした代表的な画像認識モデルはどれか。

第485問ネットワークの各層に伝わっていく特徴の分布のバラツキを抑え学習を効率的かつ安定させるための処理を総称して何と呼ぶか。

第486問複数の入力データをひとまとめにした単位ごとに各層においてデータの分布が平均0および分散1になるように調整する正規化手法はどれか。

第487問データ1つひとつに対してすべてのチャネルの値をまとめて平均と分散を計算し正規化を行う手法はどれか。

第488問データ1つひとつにおいて各チャネルを完全に独立させてそれぞれ個別に平均と分散を計算し正規化を行う手法はどれか。

第489問データ1つひとつに対してチャネルをいくつかのグループに分割しそのグループ単位で正規化を行う手法はどれか。

第490問過去の入力や中間状態を記憶し次の時刻のデータ処理に影響を与える仕組みを持つ時系列データの処理に優れたネットワークはどれか。

第491問株価の推移や音声データおよび文章などのように時間的な順序や前後の文脈に意味があるデータのことを一般に何と呼ぶか。

第492問リカレントニューラルネットワークにおいて過去の中間状態を記憶し次の時刻の入力に足し合わせるために追加された層を何と呼ぶか。

第493問最も基本的なRNNの形であり中間層の出力を次の時刻の中間層への入力としてループさせる構造を持つネットワークはどれか。

第494問中間層ではなく最終的な出力層の値を次の時刻の入力として利用するRNNのアーキテクチャを何と呼ぶか。

第495問RNNの学習において時間軸に沿って過去に遡りながら誤差を伝播させ各時刻の重みを更新していく計算アルゴリズムはどれか。

第496問言語モデルの訓練時にモデル自身の予測結果ではなく正しい正解データを直接次の時刻の入力として与える学習手法はどれか。

第497問訓練時は正解データを与えられていたモデルがテスト時には自らの不完全な予測を入力とするため誤差が蓄積して精度が落ちる問題を何というか。

第498問生成AIが学習データに存在しないデタラメな情報や事実無根の嘘をあたかも正しいかのように出力してしまう現象は何か。

第499問RNNが長い時系列データを学習する際過去に遡るほど勾配の値がゼロに近づき古い情報が学習できなくなる現象を何と呼ぶか。

第500問勾配消失問題に対処するため情報を保持するセルと複数のゲート機構を組み合わせ長期的な記憶を可能にしたRNNの拡張モデルはどれか。

第501問通常のRNNで過去の情報を無理に記憶しようとした際現在の入力の学習と過去の記憶の保持が干渉し合い学習が阻害される問題を何というか。

第502問通常のRNNで過去の情報を未来へ伝えることと現在の予測を出力することの間で学習の方向性が衝突してしまう問題を何というか。

第503問LSTMブロックの内部に存在し誤差をそのままの状態で内部にとどまらせることで勾配消失を防ぐ役割を担う核となる機構は何か。

第504問LSTMにおいて外部からの新しい入力情報をCECにどれだけ取り込むかをパーセンテージで調整しコントロールするゲート機構はどれか。

第505問LSTMにおいてCECに保持されている記憶を次の層の処理や最終的な予測のためにどれだけ外へ引き出すかを調整するゲートはどれか。

第506問LSTMにおいてCECに記憶されている過去の情報が不要になった際にその情報をどれだけ消去するかを判断するゲート機構はどれか。

第507問LSTMの構造を少しシンプルにし計算コストを下げながらも同等の性能を発揮できるように改良されたゲート付きRNNのモデルはどれか。

第508問GRUの内部機構において1つ前の時刻から引き継いだ過去の隠れ状態の情報をどれだけ無視するかを決定するゲートはどれか。

第509問GRUにおいて過去の情報をどれだけ新しい状態に反映させるかおよび新しい入力をどれだけ取り込むかを同時に制御するゲートはどれか。

第510問文章の中で過去から未来への文脈だけでなく未来から過去への文脈も同時に学習し双方向の情報を活用するRNNモデルはどれか。

第511問機械翻訳などのように入力された可変長の時系列データを長さの異なる別の時系列データに変換するアーキテクチャを総称して何と呼ぶか。

第512問Seq2Seqモデルの前半部分を担い入力された文の情報を読み込んで固定長のベクトルに変換する役割を持つRNNを何と呼ぶか。

第513問Seq2Seqモデルの後半部分を担いエンコーダが作成した意味ベクトルを受け取りそれをもとに別の言語などの単語を順次生成していくRNNはどれか。

第514問初期型のSeq2Seqモデルが長文の翻訳を苦手としていた最大の原因はどれか。

第515問長文翻訳時のボトルネックを解消するため出力の各ステップにおいて入力文のどの部分に注目すべきかという重みを計算し加味する機構はどれか。

第516問Attention機構において入力文の各単語と出力文の各単語との関連度の強さを色の濃淡などで視覚的に表現した図を何と呼ぶか。

第517問Attention機構を導入することで得られるAIの判断の透明性に関わるメリットはどれか。

第518問2017年に発表されRNNやCNNを一切使わずAttention機構のみを組み合わせて構築された現在の自然言語処理の基盤となるモデルはどれか。

第519問トランスフォーマーが従来のRNNよりも大規模なデータを超高速に学習できる理由として最も適切なものはどれか。

第520問トランスフォーマーの核となる技術であり入力文の中にある自分自身の単語同士の関連度を計算し文脈を深く理解するための機構はどれか。

第521問Self-Attention機構はある1つの単語の文脈を理解する際にどの範囲の単語との関連度を計算するか。

第522問RNNを使わないトランスフォーマーにおいて単語の語順が失われないようにあらかじめ単語の入力データに位置情報を足し合わせる仕組みを何というか。

第523問トランスフォーマーの構造において入力文を処理するエンコーダ内部で単語間の関連性を計算するSelf-Attentionを特に何と呼ぶか。

第524問トランスフォーマーの構造において出力文を生成するデコーダ内部ですでに出力された単語間の関連性を計算するSelf-Attentionを何と呼ぶか。

第525問トランスフォーマーのデコーダ側に存在しエンコーダが処理した入力文の情報と現在デコーダが生成中の情報との間の関連度を計算する機構はどれか。

第526問Self-Attentionが言語処理において特に優れている点の具体例として適切なものはどれか。

第527問画像を畳み込み層に入力する際縦と横のピクセル数に加えてRGBカラー画像が持つ3などの奥行き情報の次元を何と呼ぶか。

第528問パディング処理において入力画像の周囲に追加する値としてゼロを用いる方法を一般に何と呼ぶか。

第529問プーリング層を導入する目的として正しい記述はどれか。

第530問スキップ結合が超深層ネットワークにおいて有効な理由は何か。

第531問リカレントニューラルネットワークにおけるBPTTの計算は時間軸に対してどのように行われるか。

第532問露出バイアスの問題が発生する原因は何か。

第533問LSTMの構造において隠れ状態として次の時刻に渡される情報はどのように作られるか。

第534問LSTMと比較した際のGRUの特徴として正しいものはどれか。

第535問Seq2Seqモデルが最も活用され劇的な精度向上をもたらした代表的な自然言語処理タスクはどれか。

第536問トランスフォーマーにおいて入力された文の中の特定の単語が他のどの単語と強く結びついているかを計算し重み付けする役割を担うものは何か。

第537問畳み込み層で用いられるフィルタのサイズとして一般的に多く採用される形状はどれか。

第538問プーリング処理の中で分割した小領域のすべての値を足し合わせその平均値を抽出する手法を何と呼ぶか。

第539問畳み込みニューラルネットワークにおいて全結合層の手前で特徴マップを1列の1次元データに並べ替える処理を何と表現するか。

第540問自然言語処理においてRNNがCNNや単純な全結合層よりも適していた理由は何か。

第541問現在の大規模言語モデルのアーキテクチャのベースとなっており2017年の登場以降AIの発展を牽引している技術はどれか。

第542問トランスフォーマーのAttentionで使われる3つの値はクエリとキーともう一つは何か。

第543問Attentionの計算においてデータベースの検索に例えた場合「検索キーワード」に相当するベクトルはどれか。

第544問Attentionの計算においてデータベースの検索に例えた場合「データに付与された索引」に相当するベクトルはどれか。

第545問トランスフォーマーのAttention計算においてクエリとキーの関係性から算出された重みを最終的に掛け合わせる対象はどれか。

第546問トランスフォーマーで採用されているAttentionの計算を複数の視点で並列に行う手法を何と呼ぶか。

第547問Multi-Head Attentionを導入する最大の理由は何か。

第548問Multi-Head Attentionにおいて分割されたそれぞれのAttention計算の単位を何と呼ぶか。

第549問Multi-Head Attentionにおいてクエリやキーのベクトルは計算前にどのような処理を受けるか。

第550問デコーダ側のSource-Target Attentionにおいてクエリとして利用される情報はどこから来るか。

G検定　⑥ DL要素技術