G検定（ジェネラリスト検定）「ディープラーニング技術」の一問一答

G検定（ジェネラリスト検定）のディープラーニング技術に関する一問一答（全75問）の正解と解説の一覧です。上の一問一答で実際に解いてから、ここで復習・確認できます。

1. 問1．ニューラルネットワークは、人間の神経細胞（ニューロン）の動作を模倣した数理モデルである。

   正解：○（正しい）

   解説：入力層・中間層（隠れ層）・出力層で構成。重みとバイアスを学習でデータからパターンを獲得。

2. 問2．パーセプトロンは1958年にフランク・ローゼンブラットが提案した最も基本的なニューロンモデルである。

   正解：○（正しい）

   解説：線形分離可能な問題のみ解ける単層モデル。XOR問題が解けない限界が後に指摘された。

3. 問3．XOR問題は単層パーセプトロンでは解けないが多層化により解決できる。

   正解：○（正しい）

   解説：ミンスキーらが1969年に指摘し第1次AIの冬を招いたが、多層パーセプトロンと誤差逆伝播法で解決された。

4. 問4．誤差逆伝播法（バックプロパゲーション）は、出力誤差を出力層から入力層に向けて伝播し勾配を計算する手法である。

   正解：○（正しい）

   解説：1986年ラメルハートらが普及。多層NNの学習を可能にした基本アルゴリズム。

5. 問5．勾配消失問題は、深い層を持つNNで逆伝播時に勾配が小さくなり学習が進まない問題である。

   正解：○（正しい）

   解説：シグモイド・tanhで顕著。ReLU活性化関数の登場で大幅に緩和され深層学習が実用化。

6. 問6．ReLU（Rectified Linear Unit）はx<0で0、x≥0でxを返す活性化関数である。

   正解：○（正しい）

   解説：勾配消失緩和に有効で計算も高速。深層学習普及の立役者の一つ。Leaky ReLU・PReLU等の派生もある。

7. 問7．シグモイド関数は出力を0〜1の範囲に圧縮する活性化関数である。

   正解：○（正しい）

   解説：確率出力として解釈可能で二値分類の出力層で多用。中間層では勾配消失の原因となるため近年は減少。

8. 問8．ソフトマックス関数は多クラス分類の出力層で確率分布を出力する活性化関数である。

   正解：○（正しい）

   解説：全クラスの出力合計が1になるよう正規化。最大値クラスを予測。クロスエントロピー損失と組合せ。

9. 問9．畳み込みニューラルネットワーク（CNN）は画像認識に革命を起こしたアーキテクチャである。

   正解：○（正しい）

   解説：畳み込み層・プーリング層・全結合層で構成。空間構造を保持しつつ特徴抽出。AlexNet（2012年）等。

10. 問10．プーリング層は特徴マップの次元を削減し位置不変性を高める層である。

    正解：○（正しい）

    解説：最大プーリング・平均プーリング等。計算量削減と過学習抑制効果あり。

11. 問11．ResNetは『残差接続（Skip Connection）』により非常に深いNNの学習を可能にしたアーキテクチャである。

    正解：○（正しい）

    解説：2015年He等。152層等の超深層NNを実現。勾配消失を緩和し ILSVRC 2015で優勝。

12. 問12．RNN（再帰型ニューラルネットワーク）は時系列データや系列データを扱うNNである。

    正解：○（正しい）

    解説：前時刻の隠れ状態を次時刻に伝える。自然言語処理・音声認識・時系列予測等に応用。

13. 問13．LSTM（Long Short-Term Memory）は、RNNの長期依存問題を解決するゲート機構付きRNNである。

    正解：○（正しい）

    解説：1997年ホッホライターら提案。入力・忘却・出力ゲートで長期記憶を制御。

14. 問14．Transformerは2017年のGoogle論文『Attention Is All You Need』で提案されたアーキテクチャである。

    正解：○（正しい）

    解説：Self-Attentionにより並列計算可能で長距離依存に強い。BERT・GPT等の大規模言語モデルの基盤。

15. 問15．Self-AttentionはTransformerの中核機構で、系列内の各要素間の関係を学習する。

    正解：○（正しい）

    解説：Query・Key・Valueの内積で関連度算出。RNNと異なり並列計算可能で長距離依存も捉えやすい。

16. 問16．BERTは双方向Transformerによる事前学習言語モデルで2018年Googleが発表した。

    正解：○（正しい）

    解説：Masked Language Model + Next Sentence Predictionで事前学習。多くのNLPタスクで当時SOTA達成。

17. 問17．GPTシリーズは大規模Transformerデコーダによる生成型言語モデルである。

    正解：○（正しい）

    解説：GPT-3（2020年）以降パラメータ数が急増し、ChatGPT（2022年）で社会的注目を集めた。

18. 問18．GAN（敵対的生成ネットワーク）は2014年イアン・グッドフェローが提案した生成モデルである。

    正解：○（正しい）

    解説：生成器（Generator）と識別器（Discriminator）の対立的学習でリアルな生成データを獲得。

19. 問19．StyleGANは画像生成で写実的な人物画像を生成可能なGANの発展形である。

    正解：○（正しい）

    解説：NVIDIAが開発。スタイル変換機構を組み込み、髪型・年齢・表情等を制御可能。

20. 問20．拡散モデル（Diffusion Model）は、ノイズから徐々にデータを生成する生成モデルである。

    正解：○（正しい）

    解説：Stable Diffusion・DALL-E 2・Midjourney等の画像生成AIの基盤技術。GANに代わり主流に。

21. 問21．VAE（Variational Autoencoder）は確率的潜在変数を持つ生成モデルである。

    正解：○（正しい）

    解説：エンコーダ・デコーダ構造に確率分布を組込み、潜在空間からの新規データ生成が可能。

22. 問22．強化学習のDQN（Deep Q-Network）はディープラーニングとQ学習を組合せた手法である。

    正解：○（正しい）

    解説：DeepMind 2013年Atariゲームで人間超え。Experience Replay・Target Networkが重要工夫。

23. 問23．転移学習は、別タスクで学習済みのモデルを新タスクに転用する手法である。

    正解：○（正しい）

    解説：ImageNet事前学習モデルから特徴抽出。少データでも高精度。BERT・GPT等もファインチューニングで活用。

24. 問24．ファインチューニングは、事前学習済みモデルの全体または一部を新タスクのデータで再学習する手法である。

    正解：○（正しい）

    解説：転移学習の代表手法。LoRA等のPEFT手法で計算コスト削減可能。

25. 問25．ドロップアウトは、訓練時にランダムにニューロンを無効化する正則化手法である。

    正解：○（正しい）

    解説：Hinton等が提案。過学習抑制に有効。テスト時は全ニューロン使用しスケール調整。

26. 問26．バッチ正規化（Batch Normalization）は、層の入力を正規化し学習を安定化する手法である。

    正解：○（正しい）

    解説：2015年提案。学習速度向上・過学習抑制・初期値依存軽減等の効果。

27. 問27．Adamは適応的学習率と運動量を組合せた代表的な最適化アルゴリズムである。

    正解：○（正しい）

    解説：2014年提案。AdaGrad・RMSpropの発展形。多くのタスクで標準的に用いられる。

28. 問28．パーセプトロンはXOR問題を解ける単層モデルである。

    正解：×（誤り）

    解説：誤り。単層パーセプトロンは線形分離可能問題のみ解ける。XORは線形分離不可能で多層化が必要。

29. 問29．誤差逆伝播法は出力層から始まり入力層から出力層へ順伝播する。

    正解：×（誤り）

    解説：誤り。逆伝播は出力層→入力層の方向で勾配計算。順伝播は入力→出力。

30. 問30．勾配消失問題はReLUの登場以前から既に解決されていた。

    正解：×（誤り）

    解説：誤り。勾配消失はシグモイド・tanhで深刻だったが、ReLU・残差接続・バッチ正規化等で2010年代以降に大幅緩和。

31. 問31．シグモイド関数の出力範囲は-1〜1である。

    正解：×（誤り）

    解説：誤り。シグモイドは0〜1の範囲。-1〜1はtanh（双曲線正接）関数。

32. 問32．ソフトマックス関数は二値分類のみに用いる。

    正解：×（誤り）

    解説：誤り。ソフトマックスは多クラス分類の出力層で確率分布を出力する関数。二値分類はシグモイドが標準。

33. 問33．CNNは時系列データ処理のみに特化したNNである。

    正解：×（誤り）

    解説：誤り。CNNは主に画像処理（空間データ）。時系列処理はRNN・LSTM・Transformer等が主流。

34. 問34．プーリング層はパラメータを学習する層である。

    正解：×（誤り）

    解説：誤り。最大プーリング・平均プーリングはパラメータなしの固定操作。学習対象なし。

35. 問35．ResNetは残差接続なしの深層NNである。

    正解：×（誤り）

    解説：誤り。ResNet（Residual Network）の核心は『残差接続（Skip Connection）』。これにより超深層化を実現。

36. 問36．RNNは画像分類に特化したアーキテクチャである。

    正解：×（誤り）

    解説：誤り。RNNは時系列・系列データに強い。画像分類はCNNが主流。

37. 問37．LSTMはRNNの計算速度を向上させた手法である。

    正解：×（誤り）

    解説：誤り。LSTMは長期依存問題の解決が主目的。計算速度はむしろ複雑化で増加。Transformerが並列計算で速度を改善。

38. 問38．TransformerはRNNベースで逐次的に処理する。

    正解：×（誤り）

    解説：誤り。TransformerはSelf-Attentionで並列処理可能。RNNとは異なる設計で大規模学習に有利。

39. 問39．BERTは生成型の片方向Transformerモデルである。

    正解：×（誤り）

    解説：誤り。BERTは双方向（Bidirectional）Transformer。生成型・片方向はGPTシリーズ。

40. 問40．GPTはエンコーダのみのTransformerである。

    正解：×（誤り）

    解説：誤り。GPTはデコーダのみのTransformer（自己回帰生成）。BERTはエンコーダのみ。

41. 問41．GANの生成器と識別器は協調して学習する。

    正解：×（誤り）

    解説：誤り。GANは対立的（敵対的）学習。生成器は識別器を騙そうと、識別器は見破ろうと競合学習する。

42. 問42．拡散モデルは2010年代前半から主流の画像生成手法である。

    正解：×（誤り）

    解説：誤り。拡散モデルは2020年代に主流化（DDPM 2020年・Stable Diffusion 2022年）。それ以前はGANが主流。

43. 問43．強化学習のDQNは画像認識用CNNと無関係である。

    正解：×（誤り）

    解説：誤り。DQNはCNNでゲーム画面を入力処理。Atariゲームで人間超え達成（DeepMind 2013年）。

44. 問44．転移学習は同一タスクでデータを増やす手法である。

    正解：×（誤り）

    解説：誤り。転移学習は別タスクで学習済みモデルを新タスクに転用。同一タスクでデータ増加はデータ拡張。

45. 問45．ドロップアウトはテスト時にもニューロンをランダムに無効化する。

    正解：×（誤り）

    解説：誤り。ドロップアウトは『訓練時のみ』ランダム無効化。テスト時は全ニューロン使用し出力をスケール調整。

46. 問46．バッチ正規化は学習速度を低下させる副作用がある。

    正解：×（誤り）

    解説：誤り。バッチ正規化は学習速度向上・過学習抑制等の効果あり。副作用ではなく利点。

47. 問47．Adamは学習率を全パラメータで同じ値に固定する。

    正解：×（誤り）

    解説：誤り。Adamは適応的学習率（パラメータごとに学習率調整）。AdaGrad・RMSpropの発展形。

48. 問48．GoogLeNet（Inception）はResNetと同年の2015年に発表されすぐに廃れた。

    正解：×（誤り）

    解説：誤り。GoogLeNetは2014年でInceptionモジュール採用。ResNetより前で広く使われた。

49. 問49．VGGはInceptionモジュールを採用した代表的CNNである。

    正解：×（誤り）

    解説：誤り。VGGは3×3畳み込みの単純な層スタックで構成。InceptionモジュールはGoogLeNet特有。

50. 問50．AlexNetは2010年のILSVRCで圧勝し第3次AIブームの起点となった。

    正解：×（誤り）

    解説：誤り。AlexNetの圧勝は2012年（ILSVRC 2012）。これが第3次AIブームの起点とされる。

51. 問51．LSTMはCNNの一種で画像処理が主目的である。

    正解：×（誤り）

    解説：誤り。LSTMはRNNの一種で時系列・系列データ処理が主目的。画像処理はCNN。

52. 問52．seq2seqモデルは入力と出力が同じ長さでなければならない。

    正解：×（誤り）

    解説：誤り。seq2seqはエンコーダ・デコーダ構造で異なる長さの入出力を扱える。機械翻訳・要約等に有効。

53. 問53．勾配爆発問題は勾配が無限大に近づき学習が発散する現象で対策は不可能である。

    正解：×（誤り）

    解説：誤り。勾配爆発は勾配クリッピング・適切な初期化・LSTM等で対策可能。

54. 問54．パーセプトロンを提案した研究者として正しいのはどれか。

    • ア．マービン・ミンスキー
    • イ．アラン・チューリング
    • ウ．フランク・ローゼンブラット
    • エ．ジェフリー・ヒントン

    正解：ウ．フランク・ローゼンブラット

    解説：1958年フランク・ローゼンブラットがパーセプトロンを提案。後にミンスキーがXOR問題で限界指摘し第1次AI冬を招いた。

55. 問55．勾配消失問題の緩和に最も貢献した活性化関数として正しいのはどれか。

    • ア．シグモイド関数
    • イ．tanh関数
    • ウ．ステップ関数
    • エ．ReLU関数

    正解：エ．ReLU関数

    解説：ReLU（x<0で0、x≥0でx）はx>0で勾配1のため消失問題を大幅緩和。深層学習普及の立役者。

56. 問56．多クラス分類の出力層に最も適した活性化関数はどれか。

    • ア．ソフトマックス
    • イ．シグモイド
    • ウ．ReLU
    • エ．tanh

    正解：ア．ソフトマックス

    解説：ソフトマックスは出力合計を1に正規化し確率分布を出力。多クラス分類の標準。二値分類はシグモイド。

57. 問57．CNNの主要な構成層として該当しないものはどれか。

    • ア．畳み込み層
    • イ．ゲート層
    • ウ．全結合層
    • エ．プーリング層

    正解：イ．ゲート層

    解説：ゲート層はLSTM特有の機構でCNNには含まれない。CNNの基本は畳み込み・プーリング・全結合の3層。

58. 問58．2012年ILSVRCで圧勝し第3次AIブームの起点となったモデルとして正しいのはどれか。

    • ア．LeNet
    • イ．VGGNet
    • ウ．AlexNet
    • エ．ResNet

    正解：ウ．AlexNet

    解説：AlexNet（2012年）がILSVRC圧勝で第3次AIブーム起点。LeNetは1990年代CNN元祖、VGGNet 2014年、ResNet 2015年。

59. 問59．残差接続（Skip Connection）により超深層化を実現したアーキテクチャはどれか。

    • ア．VGGNet
    • イ．LeNet
    • ウ．AlexNet
    • エ．ResNet

    正解：エ．ResNet

    解説：ResNet（2015年）が残差接続で152層等の超深層を実現。勾配消失緩和で ILSVRC 2015 優勝。

60. 問60．時系列データ処理に最も適したNNとして正しいのはどれか。

    • ア．RNN（LSTM・GRU含む）
    • イ．CNN
    • ウ．パーセプトロン
    • エ．オートエンコーダ

    正解：ア．RNN（LSTM・GRU含む）

    解説：RNNは時系列・系列データに特化。LSTMやGRUは長期依存対応の改良型。Transformerも系列処理可能。

61. 問61．LSTMが解決する主な問題として正しいのはどれか。

    • ア．画像認識精度
    • イ．長期依存問題（勾配消失）
    • ウ．計算コスト削減
    • エ．パラメータ数削減

    正解：イ．長期依存問題（勾配消失）

    解説：LSTMは入力・忘却・出力ゲートで長期依存（勾配消失）を解決。RNNの実用化を可能にした。

62. 問62．Transformerが提案された年と論文タイトルの組合せとして正しいのはどれか。

    • ア．2014年・Generative Adversarial Networks
    • イ．2020年・GPT-3
    • ウ．2017年・Attention Is All You Need
    • エ．2018年・BERT

    正解：ウ．2017年・Attention Is All You Need

    解説：2017年Vaswani等『Attention Is All You Need』でTransformer提案。Self-Attentionにより並列計算と長距離依存処理を実現。

63. 問63．BERTの事前学習タスクとして正しいのはどれか。

    • ア．次単語予測のみ
    • イ．音声認識
    • ウ．画像分類
    • エ．Masked Language Model + Next Sentence Prediction

    正解：エ．Masked Language Model + Next Sentence Prediction

    解説：BERTは Masked LM（マスクされた単語予測）+ Next Sentence Prediction（次文判定）で事前学習。双方向Transformer。

64. 問64．GANを2014年に提案した研究者として正しいのはどれか。

    • ア．イアン・グッドフェロー
    • イ．ヤン・ルカン
    • ウ．ジェフリー・ヒントン
    • エ．ヨシュア・ベンジオ

    正解：ア．イアン・グッドフェロー

    解説：2014年イアン・グッドフェローがGAN（敵対的生成ネットワーク）を提案。生成器と識別器の対立学習が革新的。

65. 問65．画像生成AIの主流アーキテクチャ（2024-2026年）として正しいのはどれか。

    • ア．RNN
    • イ．拡散モデル（Diffusion Model）
    • ウ．エキスパートシステム
    • エ．決定木

    正解：イ．拡散モデル（Diffusion Model）

    解説：Stable Diffusion・DALL-E 2・Midjourney等の主要画像生成AIは拡散モデル。GANから主流が変化。

66. 問66．Stable Diffusion・DALL-E 2の基盤技術として正しいのはどれか。

    • ア．GAN
    • イ．VAE
    • ウ．拡散モデル（Diffusion Model）
    • エ．RNN

    正解：ウ．拡散モデル（Diffusion Model）

    解説：DDPM（2020年）から発展した拡散モデルが主流画像生成AIの基盤。ノイズから徐々にデータ生成。

67. 問67．DQNを画像入力で動作可能にした重要工夫として正しいのはどれか。

    • ア．RNN導入
    • イ．遺伝的アルゴリズム
    • ウ．エキスパートシステム
    • エ．CNNで画面入力処理 + Experience Replay

    正解：エ．CNNで画面入力処理 + Experience Replay

    解説：DQNはCNNでAtariゲーム画面を入力処理、Experience Replay（経験再生）で学習安定化。Target Networkも重要。

68. 問68．代表的なパラメータ効率的ファインチューニング（PEFT）手法はどれか。

    • ア．LoRA（Low-Rank Adaptation）
    • イ．モデル全体の再学習
    • ウ．データ拡張
    • エ．ドロップアウト

    正解：ア．LoRA（Low-Rank Adaptation）

    解説：LoRAは低ランク行列でパラメータの一部のみ学習。計算・メモリコスト大幅削減。LLMファインチューニングで標準的。

69. 問69．ドロップアウトの動作について正しいのはどれか。

    • ア．訓練時とテスト時の両方でランダム無効化
    • イ．訓練時のみランダム無効化・テスト時は全ニューロン使用
    • ウ．テスト時のみ無効化
    • エ．常に全ニューロン使用

    正解：イ．訓練時のみランダム無効化・テスト時は全ニューロン使用

    解説：ドロップアウトは訓練時のみランダム無効化。テスト時は全ニューロン使用し出力をスケール調整。過学習抑制。

70. 問70．バッチ正規化（Batch Normalization）の主な効果として該当しないものはどれか。

    • ア．学習速度向上
    • イ．勾配消失緩和
    • ウ．モデル解釈性向上
    • エ．過学習抑制

    正解：ウ．モデル解釈性向上

    解説：バッチ正規化はモデル解釈性向上には寄与しない（むしろブラックボックス化）。学習速度・勾配消失・過学習抑制が主効果。

71. 問71．最適化アルゴリズム『Adam』の特徴として正しいのはどれか。

    • ア．学習率を全パラメータで固定
    • イ．2階微分使用
    • ウ．勾配を直接適用
    • エ．適応的学習率と運動量の組合せ

    正解：エ．適応的学習率と運動量の組合せ

    解説：Adam（2014年）はAdaGrad・RMSpropの発展形で適応的学習率と運動量（Momentum）を組合せる。標準的選択肢。

72. 問72．seq2seqモデルの代表的応用として最も適切なのはどれか。

    • ア．機械翻訳・要約
    • イ．画像分類
    • ウ．物体検出
    • エ．クラスタリング

    正解：ア．機械翻訳・要約

    解説：seq2seqはエンコーダ・デコーダ構造で異なる長さの入出力扱える。機械翻訳・要約・対話システム等が代表応用。

73. 問73．Attention機構の主な利点として正しいのはどれか。

    • ア．パラメータ削減のみ
    • イ．RNNの並列化と長距離依存処理改善
    • ウ．計算コスト削減
    • エ．モデル単純化

    正解：イ．RNNの並列化と長距離依存処理改善

    解説：Self-Attentionは並列計算可能で長距離依存に強い。RNNの逐次処理ボトルネック解消がTransformerの核心。

74. 問74．近年のLLM（大規模言語モデル）の評価で重要なRAG（Retrieval-Augmented Generation）の説明として正しいのはどれか。

    • ア．モデル全体を再学習する手法
    • イ．データ拡張手法
    • ウ．外部知識検索結果を生成に活用する手法
    • エ．モデル圧縮手法

    正解：ウ．外部知識検索結果を生成に活用する手法

    解説：RAGは外部知識ベース（ベクトルDB等）から検索した情報を生成プロンプトに組込む。ハルシネーション抑制・最新情報対応の標準手法。

75. 問75．プロンプトエンジニアリングで効果的な手法として該当しないものはどれか。

    • ア．Few-shot prompting（少数例提示）
    • イ．Chain of Thought（思考連鎖）
    • ウ．Zero-shot CoT（ステップ思考指示）
    • エ．モデル再訓練

    正解：エ．モデル再訓練

    解説：プロンプトエンジニアリングは『入力テキスト設計』。モデル再訓練は別領域（ファインチューニング・継続学習）。