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．積層オートエンコーダは、オートエンコーダを1層ずつ順に学習させて積み重ね、得られた重みを深いネットワークの初期値として使う事前学習の手法である。

   正解：○（正しい）

   解説：正しい。浅いオートエンコーダを1層ずつ貪欲に学習して積み重ね、その重みで深いネットワークを初期化してから全体をファインチューニングする。深いネットワークの学習が難しかった時期に考案された事前学習の方法である。

4. 問4．オートエンコーダは、入力と同じデータを出力で再現するように学習し、入力より次元の小さい中間層で入力の圧縮された表現を得るネットワークである。

   正解：○（正しい）

   解説：オートエンコーダは入力を符号化（エンコーダ）してから復元（デコーダ）するよう学習するため、正解ラベルが不要である。中間層の表現は次元削減や特徴抽出に使え、積み重ねて事前学習に使う方法（積層オートエンコーダ）もある。

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．シグモイド関数の導関数の最大値は0.25であるため、層を重ねて誤差を逆伝播すると勾配が掛け算で小さくなりやすい。

   正解：○（正しい）

   解説：シグモイド関数σ(x)の導関数はσ(x)(1−σ(x))で、x=0のとき最大値0.25をとる。逆伝播では各層の導関数が掛け合わされるため、層が深いと勾配が急速に小さくなる（勾配消失）。

8. 問8．GPUは多数の演算コアで行列演算を並列に処理できるため、ディープラーニングの学習の高速化に広く用いられている。

   正解：○（正しい）

   解説：ニューラルネットワークの計算の大部分は行列の積和演算であり、多数のコアで並列に計算できるGPUと相性が良い。画像処理用のGPUを汎用計算に使う技術をGPGPUと呼ぶ。

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．TPU（Tensor Processing Unit）は、Googleがニューラルネットワークの演算向けに開発した専用プロセッサである。

    正解：○（正しい）

    解説：TPUはGoogleが開発した、ニューラルネットワークの行列演算に特化した集積回路（ASIC）である。CPUやGPUより深層学習の推論・学習を効率よく処理することを狙っている。

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．エポックとは、訓練データ全体を1回ずつすべて学習に使い終えるまでを1単位とする数え方である。

    正解：○（正しい）

    解説：1エポックは訓練データ全体を一通り学習に使うことを指し、ミニバッチ学習では1エポックの中で複数回のパラメータ更新（イテレーション）が行われる。エポック数は学習を何周させるかを決めるハイパーパラメータである。

17. 問17．訓練データが10,000件、ミニバッチのサイズが100のとき、1エポックあたりのパラメータ更新回数（イテレーション数）は100回である。

    正解：○（正しい）

    解説：イテレーション数＝訓練データ数÷バッチサイズ＝10,000÷100＝100回である。1回のイテレーションで1つのミニバッチについて勾配を計算しパラメータを更新する。

18. 問18．モデルの規模を大きくしていくと、テスト誤差がいったん増えた後に再び減少する「二重降下（double descent）」現象が報告されている。

    正解：○（正しい）

    解説：従来のバイアス・バリアンスの考え方ではモデルを大きくしすぎるとテスト誤差は増え続けるとされたが、深層学習では訓練データにちょうど適合する規模付近で誤差が増えた後、さらに大きくすると再び下がる現象が観察された。

19. 問19．Pix2Pixは、ラベル画像からの写真の合成、輪郭線（エッジ）からの物体画像の復元、白黒画像の着色のように、入力画像をそれに対応する別の画像へ変換する画像変換に用いられる。

    正解：○（正しい）

    解説：正しい。Pix2Pix（Isola et al., 2017）は条件付きGANによる画像から画像への変換（image-to-image translation）の汎用的な手法で、ラベル画像から写真、エッジから物体、白黒からカラーなどの変換に用いられる。学習には入力と出力の画像のペアを使う。

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．プルーニング（枝刈り）は、学習済みネットワークの中で重要度の低い重みや結合を取り除き、モデルを軽量化する手法である。

    正解：○（正しい）

    解説：プルーニングは、値の小さい重みなど予測への寄与が小さい部分を削除して、パラメータ数や計算量を減らす。量子化・蒸留と並ぶモデル軽量化（圧縮）の代表的手法である。

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．量子化は、重みや活性値を32ビット浮動小数点数から8ビット整数などの少ないビット数の表現に変換し、メモリ使用量と計算量を減らす手法である。

    正解：○（正しい）

    解説：量子化は数値の表現精度を落とす代わりに、モデルのサイズと演算コストを大きく削減する。精度の低下を小さく抑えながらエッジ機器などで推論を高速化するために使われる。

26. 問26．インスタンス正規化は、1つのサンプルの各チャネルごとに空間方向で正規化する手法で、画像のスタイル変換などで用いられる。

    正解：○（正しい）

    解説：インスタンス正規化はミニバッチ全体ではなく、サンプル1つ・チャネル1つごとに平均と分散で正規化する。画像ごとのコントラストの違いを取り除けるため、スタイル変換で効果を示した。

27. 問27．縦横32画素の入力に5×5のフィルタを、ストライド1・パディングなしで畳み込むと、出力される特徴マップは縦横28画素になる。

    正解：○（正しい）

    解説：出力サイズは（入力サイズ＋2×パディング−フィルタサイズ）÷ストライド＋1で求める。（32＋0−5）÷1＋1＝28となる。

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．ゼロパディングは、入力の周囲を0で埋めることで、畳み込み後の特徴マップを必ず入力より小さくするための処理である。

    正解：×（誤り）

    解説：誤り。ゼロパディングは入力の周囲を0で埋めて、畳み込みによる出力サイズの縮小を抑える（例：3×3フィルタ・ストライド1ならパディング1で入力と同じサイズを保つ）ための処理である。端の画素の情報も畳み込みに反映しやすくなる。

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．AdaBoundは、学習の初期にはSGDのように振る舞い、学習が進むにつれてAdamのような適応的な学習率の手法へ徐々に移行するように、学習率に動的な上限と下限を設けた最適化手法である。

    正解：×（誤り）

    解説：誤り。AdaBound（Luo et al., 2019）は学習率に動的な上限と下限を設け、学習の初期はAdamのような適応的な手法として速く学習し、学習が進むにつれてSGDへ滑らかに移行する。向きが逆である。AMSGradに同じ仕組みを入れたものがAMSBoundである。

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．グループ正規化は、ミニバッチ内のすべてのサンプルにまたがって平均と分散を計算するため、バッチサイズが小さいと性能が大きく低下しやすい。

    正解：×（誤り）

    解説：誤り。グループ正規化はサンプルごとにチャネルをいくつかのグループに分け、グループ内で平均と分散を計算する。計算がバッチサイズに依存しないため、バッチサイズが小さくても精度が安定する（バッチ正規化の弱点を補う）。

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．Dilated Convolution（膨張畳み込み）は、受容野を広げるためにフィルタのサイズとパラメータ数を必ず大きくする手法である。

    正解：×（誤り）

    解説：誤り。膨張畳み込みはフィルタの要素の間に間隔を空けて適用することで、パラメータ数を増やさずに受容野を広げる。セマンティックセグメンテーションや音声生成（WaveNet）で使われる。

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．Double DQNは、DQNでQ値が実際より小さく見積もられる過小評価を解消するために提案された手法である。

    正解：×（誤り）

    解説：誤り。DQNは次状態の最大Q値を使うため、Q値を実際より大きく見積もる「過大評価」が起きやすい。Double DQNは行動の選択と評価を別のネットワークで行うことでこの過大評価を抑える。

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．DQNの発展形のうち、行動価値を状態の価値とアドバンテージに分けて推定するネットワーク構造をもつものはどれか。

    • ア．Double DQN
    • イ．Dueling Network
    • ウ．Noisy Network
    • エ．優先度付き経験再生

    正解：イ．Dueling Network

    解説：Dueling Networkは、ネットワークの出力を状態価値V(s)と各行動のアドバンテージA(s,a)に分けて推定し、組み合わせてQ値を得る。Double DQNは過大評価の抑制、Noisy Networkは探索の工夫、優先度付き経験再生は学習に使う経験の選び方の工夫である。

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．複数のエージェントを並列に動かして非同期にパラメータを更新し、Actor-Criticを用いて学習する深層強化学習の手法はどれか。

    • ア．DQN
    • イ．Double DQN
    • ウ．A3C
    • エ．AlphaZero

    正解：ウ．A3C

    解説：A3C（Asynchronous Advantage Actor-Critic）は、複数の環境で並列に動くエージェントが非同期に共有パラメータを更新する手法で、経験再生を使わずに学習を安定させた。DQN・Double DQNは価値ベースの手法である。

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．シミュレーションで学習したロボットの方策を実機に移す際に、摩擦・質量・照明・テクスチャなどを多様に変えながら学習させて、現実との差を吸収する手法はどれか。

    • ア．データ拡張
    • イ．カリキュラム学習
    • ウ．ドメインランダマイゼーション
    • エ．模倣学習

    正解：ウ．ドメインランダマイゼーション

    解説：ドメインランダマイゼーションは、シミュレータのパラメータを幅広く変化させて学習し、現実環境をその変化の一例として扱えるようにする手法で、sim2realの代表的な方法である。カリキュラム学習は易しい課題から難しい課題へ順に学ぶ方法である。

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が画面の画像を入力として学習できるようにした主な工夫の組み合わせとして、正しいものはどれか。

    • ア．RNNによる画面の時系列処理と方策勾配法
    • イ．全結合層による画素の直接入力と遺伝的アルゴリズム
    • ウ．CNNによる画面入力処理とモンテカルロ木探索
    • エ．CNNによる画面入力処理と経験再生

    正解：エ．CNNによる画面入力処理と経験再生

    解説：DQNは、ゲーム画面の生の画素を入力とし、畳み込みニューラルネットワーク（CNN）で行動価値（Q値）を出力して、Q学習の一種で学習する。さらに、過去の経験（状態・行動・報酬・次の状態）をため、ランダムに取り出して学習に使う経験再生（Experience Replay）によって、データの偏りを和らげ学習を安定させた。入力は直近4枚の画面を重ねたもので、RNNは使っていない。方策勾配法・遺伝的アルゴリズム・モンテカルロ木探索も、DQNの手法には含まれない。なお、2015年のNature論文の版では、一定の更新回数ごとに複製した別のネットワーク（ターゲットネットワーク）で学習の目標値を計算する工夫も加えた。

    根拠： Mnih, V. et al.「Playing Atari with Deep Reinforcement Learning」arXiv:1312.5602（NIPS Deep Learning Workshop 2013） Abstract（convolutional neural network, trained with a variant of Q-learning, whose input is raw pixels）、1 Introduction（experience replay mechanism which randomly samples previous transitions）、4.1 Preprocessing（last 4 frames … stacks them） ／ Mnih, V. et al.「Human-level control through deep reinforcement learning」Nature 518, 529–533（2015）doi:10.1038/nature14236 Methods：target network（use a separate network for generating the targets … every C updates we clone the network Q to obtain a target network）

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．基準となるデータ（アンカー）・同じクラスのデータ・異なるクラスのデータの組を入力とし、アンカーと同じクラスとの距離が異なるクラスとの距離より一定以上小さくなるように学習する損失関数はどれか。

    • ア．対照損失（Contrastive Loss）
    • イ．交差エントロピー誤差
    • ウ．トリプレット損失
    • エ．ヒンジ損失

    正解：ウ．トリプレット損失

    解説：トリプレット損失は、アンカー・正例・負例の3つ組で、アンカーと正例の距離がアンカーと負例の距離よりマージン以上小さくなるよう学習する（顔認証のFaceNetなど）。対照損失は2つ組（ペア）について、同じなら近づけ異なるなら遠ざける損失である。

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．VAEで、確率的なサンプリングを含む潜在変数の計算を、誤差逆伝播で勾配を求められる形に書き換える工夫はどれか。

    • ア．経験再生
    • イ．再パラメータ化トリック
    • ウ．教師強制
    • エ．勾配クリッピング

    正解：イ．再パラメータ化トリック

    解説：再パラメータ化トリックは、潜在変数zを「平均＋標準偏差×標準正規分布からのノイズ」と書き換え、乱数の部分を切り離して平均と分散について微分できるようにする。これによりVAEのエンコーダを誤差逆伝播で学習できる。

74. 問74．GANの学習で、生成器が多様性を失い、似たようなデータばかりを生成してしまう現象はどれか。

    • ア．勾配消失
    • イ．破滅的忘却
    • ウ．モード崩壊
    • エ．内部共変量シフト

    正解：ウ．モード崩壊

    解説：モード崩壊（mode collapse）は、生成器が識別器をだましやすい一部のパターンだけを出力するようになり、データ分布の多様性を再現できなくなる現象で、GANの代表的な学習上の課題である。

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）。