G検定（ジェネラリスト検定）模擬試験受験中

問1 生成AI・大規模言語モデル（LLM）の発展問題

プロンプトに少数の入出力例を提示してタスクを学習させる手法の名称はどれか。

1. Zero-shot
2. Few-shot
3. Chain-of-Thought
4. Fine-tuning

問2 CNN・画像認識の発展問題

拡散モデルやGANは、いずれも教師あり分類専用のモデルであり、新規の画像を生成する能力は持たない。

問3 AI倫理・法律・ガバナンスの発展問題

仮名加工情報は他の情報と照合しない限り個人を識別できないよう加工した情報であり、匿名加工情報と同様に本人同意なく自由に第三者提供できる。

問4 人工知能の基礎と研究の歴史

人工無能は機械学習ベースで知識を獲得する。

問5 AI社会実装と倫理・法律

RAG（Retrieval-Augmented Generation）はハルシネーション抑制と最新情報対応に有効な手法である。

問6 機械学習手法の発展問題

勾配ブースティングは前段の予測誤差である残差を次の弱学習器が補正するように木を逐次的に追加していく手法である。

問7 機械学習の基礎と手法

ホールドアウト法は、データを訓練・検証・テストに分割し性能を評価する基本手法である。

問8 AI倫理・法律・ガバナンスの発展問題

CNNの判断において画像のどの領域が予測に寄与したかをヒートマップで可視化する代表的手法はどれか。

1. Grad-CAM
2. Adam
3. Dropout
4. LSTM

問9 AI倫理・法律・ガバナンスの発展問題

EU AI Actで適合性評価やリスク管理、ログ保存などの義務が課される代表的な区分はどれか。

1. 許容できないリスク
2. 最小リスク
3. 限定リスク
4. 高リスク

問10 生成AI・大規模言語モデル（LLM）の発展問題

創発的能力（emergent abilities）とは、モデル規模が一定の閾値を超えると、小規模モデルには見られなかった能力が突然現れる現象を指す。

問11 機械学習手法の発展問題

カテゴリ変数を各カテゴリに対応する0/1ベクトルへ変換する特徴量変換手法はどれか。

1. 標準化
2. 主成分分析
3. ワンホットエンコーディング
4. ドロップアウト

問12 AI社会実装と倫理・法律

自動運転のレベル0-5（SAE分類）で完全自動運転はレベル5に該当する。

問13 CNN・画像認識の発展問題

ILSVRCは、ImageNetデータセットを用いて画像分類などの精度を競う大規模な画像認識コンペティションである。

問14 AI社会実装と倫理・法律

AIシステム導入はステークホルダー合意なしで進めるべきである。

問15 RNN・自然言語処理・Transformerの発展問題

双方向RNNはリアルタイムのオンライン推論（系列が逐次到着する場面）に最も適している。

問16 RNN・自然言語処理・Transformerの発展問題

パープレキシティは値が大きいほど言語モデルの予測性能が高いことを示す指標である。

問17 人工知能の基礎と研究の歴史

AI効果とは、AIが解決した問題こそが真のAIと評価される現象である。

問18 機械学習の基礎と手法

アンサンブル学習で代表的なスタッキング（Stacking）の説明として正しいのはどれか。

1. 複数モデル出力を別モデル（メタモデル）が統合する
2. 弱学習器を多数決で組合せる
3. モデルを逐次追加する
4. モデルパラメータを平均する

問19 CNN・画像認識の発展問題

プーリング層には学習可能なパラメータが多数存在し、誤差逆伝播で重みが更新される。

問20 人工知能の基礎と研究の歴史

シンギュラリティ（技術的特異点）を2045年と予測した人物として正しいのはどれか。

1. レイ・カーツワイル
2. アラン・チューリング
3. ニック・ボストロム
4. スティーブン・ホーキング

問21 機械学習手法の発展問題

候補値の全組合せを総当たりで試すハイパーパラメータ探索手法はどれか。

1. 勾配降下法
2. ベイズ最適化
3. ランダムサーチ
4. グリッドサーチ

問22 CNN・画像認識の発展問題

LeNetは2012年のILSVRCで初優勝し、深層学習ブームの直接の火付け役となったモデルである。

問23 AI社会実装と倫理・法律

LLMのハルシネーション（幻覚）を抑制する手法として最も有効なのはどれか。

1. モデルサイズの単純な拡大
2. RAG（外部知識検索）の活用
3. パラメータ削減
4. 活性化関数の変更のみ

問24 機械学習の基礎と手法

ROC曲線のAUC値について正しいのはどれか。

1. AUC=0で完全な分類
2. AUC=2.0が最大値
3. AUC=0.5はランダム相当・AUC=1.0が完全
4. AUCは確率を直接表す

問25 AI倫理・法律・ガバナンスの発展問題

個人情報保護法における『要配慮個人情報』は、原則として本人同意なく取得してよい。

問26 機械学習手法の発展問題

複数モデルを並列に学習し平均や多数決で統合してバリアンスを低減する手法はどれか。

1. ブースティング
2. バギング
3. ドロップアウト
4. 正則化

問27 機械学習手法の発展問題

L2正則化（Ridge）は係数を完全に0にして特徴量を削除することを主目的とした正則化手法である。

問28 人工知能の基礎と研究の歴史

探索木でメモリ消費が大きいが最短経路保証がある手法として正しいのはどれか。

1. 深さ優先探索
2. α-β法
3. モンテカルロ木探索
4. 幅優先探索

問29 機械学習手法の発展問題

過学習とは訓練データへの適合が不足し、訓練データに対してすら誤差が大きくなる状態を指す。

問30 人工知能の基礎と研究の歴史

AlphaGo Zeroの特徴として最も正しいのはどれか。

1. 人間の棋譜のみで学習
2. ルールベース推論のみ
3. 人間棋譜を一切使わず自己対戦のみで学習
4. α-β法のみ

問31 機械学習の基礎と手法

次元削減手法として該当しないものはどれか。

1. 主成分分析（PCA）
2. t-SNE
3. ロジスティック回帰
4. UMAP

問32 RNN・自然言語処理・Transformerの発展問題

LSTMの忘却ゲート（forget gate）は、前時刻のセル状態の情報をどの程度保持するかを0〜1の値で制御する。

問33 機械学習手法の発展問題

適合率と再現率の調和平均として両者のバランスを評価する指標はどれか。

1. AUC
2. F値（F1スコア）
3. 決定係数
4. 対数尤度

問34 生成AI・大規模言語モデル（LLM）の発展問題

事前学習済みのLLMは追加学習なしでもプロンプト内の例から学び取って応答できるが、これを転移学習（transfer learning）と呼ぶ。

問35 機械学習の基礎と手法

適合率（Precision）は、陽性と予測したうち実際に陽性だった割合である。

問36 機械学習手法の発展問題

Elastic NetはL1正則化とL2正則化を組み合わせた手法で、両者の長所をバランスよく取り入れることができる。

問37 CNN・画像認識の発展問題

ファインチューニングは、学習済みモデルの重みを初期値として、対象タスクのデータで一部または全体のパラメータを再学習する手法である。

問38 RNN・自然言語処理・Transformerの発展問題

スケールドドット積注意で内積をスケーリングする際に割る値として正しいものはどれか。

1. 系列長そのもの
2. Keyの次元数の平方根（√d_k）
3. 学習率
4. ヘッド数の2乗

問39 AI倫理・法律・ガバナンスの発展問題

技術的失業（technological unemployment）は、技術革新により従来の仕事が機械やAIに代替され失業が生じる現象を指す。

問40 生成AI・大規模言語モデル（LLM）の発展問題

RLHF（人間のフィードバックによる強化学習）は、人間の選好データを用いて報酬モデルを学習し、その報酬を最大化するように言語モデルを調整する手法である。

問41 ディープラーニング数理・最適化の発展問題

ニューラルネットワークの重みを全て同じ値で初期化したときに生じる問題はどれか。

1. 勾配爆発が必ず起こる
2. 学習率が0になる
3. 対称性が破れず各ニューロンが同じ学習をする
4. 損失が負になる

問42 生成AI・大規模言語モデル（LLM）の発展問題

推論（Reasoning）と行動（Acting）を交互に行い、思考とツール利用を組み合わせる手法の名称はどれか。

1. RLHF
2. ReAct
3. QLoRA
4. DALL-E

問43 AI社会実装と倫理・法律

AI開発における『データセントリックAI』の考え方として正しいのはどれか。

1. モデル改善より良質データ整備を重視
2. データを完全無視
3. アルゴリズムのみ重視
4. 計算機性能のみ重視

問44 AI倫理・法律・ガバナンスの発展問題

FAT（Fairness, Accountability, Transparency）はAI倫理の中核概念であり、公平性・説明責任・透明性の頭文字を取ったものである。

問45 機械学習手法の発展問題

マルコフ決定過程（MDP）では次の状態は現在の状態と行動のみで決まり、過去の全履歴には依存しないと仮定される。

問46 機械学習の基礎と手法

ロジスティック回帰は、二値分類問題に用いる回帰モデルである。

問47 機械学習手法の発展問題

決定木は特徴量のスケーリングである標準化や正規化を必ず行わなければ学習が成立しない手法である。

問48 人工知能の基礎と研究の歴史

東ロボくんは2020年に東大入試に合格した。

問49 ディープラーニング数理・最適化の発展問題

単純パーセプトロンは線形分離可能な問題しか解けず、XOR問題を単独では解くことができない。

問50 AI社会実装と倫理・法律

AIの公平性は技術的対策のみで完全に実現できる。

問51 AI社会実装と倫理・法律

EU AI Actのリスク分類として正しいのはどれか。

1. 2段階（許可・禁止）
2. 6段階（A-F）
3. 4段階（許容不可・高・限定・最小）
4. 階段なし

問52 人工知能の基礎と研究の歴史

強いAI（汎用人工知能・AGI）は人間と同等以上の知能を持ち多様な課題を解決できるとされるAIである。

問53 AI社会実装と倫理・法律

生成AIの学習データに著作物が含まれる場合、著作権・引用・公正利用の論点が生じる。

問54 ディープラーニング技術

RNNは画像分類に特化したアーキテクチャである。

問55 人工知能の基礎と研究の歴史

ミニマックス法に枝刈りを加えた手法として正しいのはどれか。

1. α-β法
2. モンテカルロ木探索
3. 遺伝的アルゴリズム
4. 幅優先探索

問56 AI社会実装と倫理・法律

AI人材は技術スキルさえあれば倫理やドメイン知識は不要である。

問57 機械学習手法の発展問題

サポートベクターマシン（SVM）はクラス間のマージンを最小化する決定境界を見つけることで分類性能を高める手法である。

問58 生成AI・大規模言語モデル（LLM）の発展問題

生成AIの入出力を監視・制限し、有害な内容の生成を防ぐ仕組みの名称はどれか。

1. ガードレール
2. オーケストレーション
3. パイプライン
4. キャッシュ

問59 ディープラーニング技術

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。

問60 ディープラーニング技術

LSTMはCNNの一種で画像処理が主目的である。

問61 RNN・自然言語処理・Transformerの発展問題

GPTシリーズは自己回帰型（autoregressive）言語モデルであり、直前までの単語列から次の単語を予測する形で学習・生成を行う。

問62 AI倫理・法律・ガバナンスの発展問題

生データを各端末・拠点に置いたまま、モデルの更新情報のみを集約して学習する手法はどれか。

1. 連合学習（Federated Learning）
2. 蒸留学習
3. 差分プライバシー
4. 敵対的生成

問63 機械学習手法の発展問題

陽性と予測したもののうち実際に陽性だった割合を表す指標はどれか。

1. 適合率（precision）
2. 再現率（recall）
3. 正解率（accuracy）
4. 特異度

問64 ディープラーニング技術

CNNは時系列データ処理のみに特化したNNである。

問65 ディープラーニング技術

Adamは学習率を全パラメータで同じ値に固定する。

問66 機械学習の基礎と手法

k-meansの主な弱点として正しいのはどれか。

1. 計算が極端に遅い
2. 正解ラベル必須
3. 非数値データのみ扱える
4. 初期値依存とクラスタ数kの事前指定が必要

問67 ディープラーニング技術

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。

問68 機械学習手法の発展問題

ROC曲線は偽陽性率を横軸・真陽性率を縦軸にとって描かれ、その下側面積であるAUCが1に近いほど性能が高いと評価される。

問69 人工知能の基礎と研究の歴史

知識を体系的に記述し計算機が処理可能にする技術として正しいのはどれか。

1. ヒューリスティクス
2. ニューラルネットワーク
3. オントロジー
4. モンテカルロ法

問70 生成AI・大規模言語モデル（LLM）の発展問題

アライメント（alignment）とは、複数のモデルの出力を平均して推論精度を高めるアンサンブル手法のことを指す。

問71 機械学習の基礎と手法

階層クラスタリングはクラスタ数kを事前に指定する必要がある。

問72 機械学習の基礎と手法

教師あり学習は、入力データと正解ラベルのペアから学習する手法である。

問73 機械学習の基礎と手法

主成分分析（PCA）は、多次元データを情報損失を抑えつつ低次元に変換する次元削減手法である。

問74 人工知能の基礎と研究の歴史

MYCINは画像認識に特化したエキスパートシステムである。

問75 機械学習の基礎と手法

特徴量のスケーリング手法として正しいのはどれか。

1. min-max正規化（0-1範囲）
2. 上記すべて正しい
3. ロバストスケーリング
4. Z-score標準化（平均0・分散1）

問76 AI倫理・法律・ガバナンスの発展問題

GDPRの十分性認定（adequacy decision）は、移転先企業が個別に申請して取得する企業単位の認証制度であり、国・地域単位では行われない。

問77 RNN・自然言語処理・Transformerの発展問題

ROUGEは主に機械翻訳の評価に用いられ、自動要約の評価にはまったく使われない指標である。

問78 生成AI・大規模言語モデル（LLM）の発展問題

生成AIの大規模学習に関して指摘される主要課題として最も適切なものはどれか。

1. 計算コストと環境負荷が大きい点
2. 学習が一瞬で完了する点
3. 学習に費用が一切かからない点
4. データを全く必要としない点

問79 CNN・画像認識の発展問題

チャネル方向の次元削減や特徴の線形結合に用いられ、空間方向の受容野が1画素のままとなる畳み込みはどれか。

1. 3×3畳み込み
2. 転置畳み込み
3. 5×5畳み込み
4. 1×1畳み込み

問80 AI社会実装と倫理・法律

日本の著作権法は機械学習目的の著作物利用を全面禁止している。

問81 AI倫理・法律・ガバナンスの発展問題

AIが人間の知能を超え自己改良を加速させるとされる仮説的転換点を指す概念はどれか。

1. ムーアの法則
2. チューリングテスト
3. シンギュラリティ（技術的特異点）
4. フレーム問題

問82 RNN・自然言語処理・Transformerの発展問題

GPTのデコーダはマスクを使わず、生成中に未来のトークンを自由に参照しながら次の単語を予測する。

問83 CNN・画像認識の発展問題

スタイルを段階的に注入する機構で高解像度かつ多様な顔画像をきめ細かく制御して生成するモデルはどれか。

1. U-Net
2. YOLO
3. StyleGAN
4. SegNet

問84 ディープラーニング数理・最適化の発展問題

ReLU関数はシグモイドと同様に飽和しやすく、正の入力領域でも勾配が0に近づくため勾配消失を強く引き起こす。

問85 AI社会実装と倫理・法律

アノテーションは機械が自動で完璧に行えるため人手不要である。

問86 AI倫理・法律・ガバナンスの発展問題

著作権法第30条の4による情報解析目的の利用であっても、著作権者の利益を不当に害する場合には適用が制限される。

問87 RNN・自然言語処理・Transformerの発展問題

多様なNLPタスクをすべてテキストからテキストへの変換として統一的に扱うモデルはどれか。

1. T5
2. WaveNet
3. word2vec
4. ELMo

問88 機械学習の基礎と手法

マージン最大化により分類境界を決定する手法として正しいのはどれか。

1. 決定木
2. ランダムフォレスト
3. サポートベクターマシン（SVM）
4. ナイーブベイズ

問89 ディープラーニング技術

seq2seqモデルの代表的応用として最も適切なのはどれか。

1. 機械翻訳・要約
2. 画像分類
3. 物体検出
4. クラスタリング

問90 生成AI・大規模言語モデル（LLM）の発展問題

プロンプトインジェクションは、悪意ある入力でLLMの本来の指示を上書き・無視させ、意図しない動作を引き起こす攻撃である。

問91 人工知能の基礎と研究の歴史

第2次AIブーム（1980年代）は専門家の知識を計算機に与える『エキスパートシステム』が主流であった。

問92 生成AI・大規模言語モデル（LLM）の発展問題

埋め込み（embedding）とは、単語や文章を意味的な関係を保った密な数値ベクトルに変換した表現である。

問93 ディープラーニング技術

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。

1. LoRA（Low-Rank Adaptation）
2. モデル全体の再学習
3. データ拡張
4. ドロップアウト

問94 生成AI・大規模言語モデル（LLM）の発展問題

マルチモーダルAIとは、テキストだけでなく画像・音声・動画など複数種類のデータを統合的に扱えるAIモデルを指す。

問95 機械学習手法の発展問題

複数モデルの予測を入力としメタモデルが最終予測を行うアンサンブル手法はどれか。

1. 早期終了
2. バギング
3. ドロップアウト
4. スタッキング

問96 ディープラーニング技術

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

問97 ディープラーニング技術

パーセプトロンはXOR問題を解ける単層モデルである。

問98 ディープラーニング数理・最適化の発展問題

early stoppingは検証誤差が改善し続けている間に学習を止めることで、学習不足の状態を保ち過学習を防ぐ手法である。

問99 機械学習手法の発展問題

陽性が極端に少ない不均衡データの分類評価で、単独では誤解を招きやすい指標はどれか。

1. 正解率（accuracy）
2. 再現率
3. F値
4. AUC

問100 人工知能の基礎と研究の歴史

第2次AIブームの終焉は計算機性能不足が唯一の原因だった。

問101 人工知能の基礎と研究の歴史

東ロボくんプロジェクトの最終結果として正しいのはどれか。

1. MARCHレベル到達後に断念
2. 東大合格達成
3. 京大合格達成
4. 早慶レベル到達後に継続中

問102 AI社会実装と倫理・法律

データ拡張（Augmentation）は限られたデータから多様なサンプルを生成する技術である。

問103 機械学習手法の発展問題

主成分分析（PCA）は、データの分散が最大となる直交方向を主成分として求める線形の次元削減手法である。

問104 RNN・自然言語処理・Transformerの発展問題

RNNの逆伝播はBPTT（Backpropagation Through Time）と呼ばれ、長系列では勾配消失・勾配爆発が起きやすい。

問105 ディープラーニング技術

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。

1. RNN導入
2. 遺伝的アルゴリズム
3. エキスパートシステム
4. CNNで画面入力処理 + Experience Replay

問106 AI社会実装と倫理・法律

AI開発・運用における『3つのV』（ビッグデータの特性）として正しいのはどれか。

1. Volume・Variety・Velocity
2. Vendor・Value・Volume
3. Velocity・Vendor・Variety
4. Value・Vector・Volume

問107 機械学習の基礎と手法

バギングは、ブートストラップサンプリングで複数モデルを並列学習しアンサンブルする手法である。

問108 機械学習手法の発展問題

主成分分析（PCA）は教師あり学習であり、ラベル情報を用いてクラスを最も分離する軸を求める手法である。

問109 人工知能の基礎と研究の歴史

AlphaGo Zeroは、人間の棋譜を一切使わず自己対戦のみで強くなった囲碁AIである。

問110 生成AI・大規模言語モデル（LLM）の発展問題

単語や文章を意味的関係を保った密な数値ベクトルに変換した表現の名称はどれか。

1. ワンホット表現
2. 正規化
3. 埋め込み（embedding）
4. 量子化

問111 CNN・画像認識の発展問題

GoogLeNetのInceptionモジュールは、単一サイズの畳み込みのみを直列に並べた構造であり、複数サイズの畳み込みを並列に行う仕組みは持たない。

問112 機械学習の基礎と手法

教師あり学習に該当しないものはどれか。

1. 顧客のクラスタリング
2. スパムメール検出
3. 株価予測
4. 画像分類

問113 人工知能の基礎と研究の歴史

幅優先探索は深さ優先探索よりメモリ消費が少ない。

問114 ディープラーニング技術

VGGはInceptionモジュールを採用した代表的CNNである。

問115 機械学習手法の発展問題

ランダムサーチはグリッドサーチより常に劣り、ハイパーパラメータ探索手法として用いるべきではないとされる。

問116 RNN・自然言語処理・Transformerの発展問題

fastTextは単語を分割不可能な1つの単位として扱うため、未知語のベクトルは一切構成できない。

問117 AI社会実装と倫理・法律

AIエージェントは2010年代から既に主流の技術である。

問118 人工知能の基礎と研究の歴史

チューリングテストの判定基準として正しいものはどれか。

1. コンピュータが人間より高速に計算できる
2. コンピュータが感情を持つ
3. 判定者がコンピュータか人間か判別できない応答ができる
4. コンピュータが意識を持つ

問119 AI倫理・法律・ガバナンスの発展問題

SHAP（SHapley Additive exPlanations）は、モデルの予測精度そのものを向上させる学習アルゴリズムであり、特徴量の寄与を説明する手法ではない。

問120 RNN・自然言語処理・Transformerの発展問題

BERTの事前学習タスクとして用いられるものの組合せとして正しいものはどれか。

1. マスク言語モデルと次文予測
2. 次単語予測と画像分類
3. 強化学習報酬と方策勾配
4. オートエンコーダ再構成と敵対的学習

問121 CNN・画像認識の発展問題

VAEと並ぶ代表的な生成モデルで、生成器と識別器の競合で学習するものはどれか。

1. GAN
2. ランダムフォレスト
3. ロジスティック回帰
4. 決定木

問122 AI社会実装と倫理・法律

AIの判断に伴う責任所在（説明責任）は開発者・運用者・利用者間で明確化する必要がある。

問123 RNN・自然言語処理・Transformerの発展問題

seq2seqの基本構造では、エンコーダが入力系列を固定長のコンテキストベクトルに圧縮し、デコーダがそれを基に出力系列を生成する。

問124 生成AI・大規模言語モデル（LLM）の発展問題

LLMが一度に処理・参照できるトークン数の上限を表す語として正しいものはどれか。

1. バッチサイズ
2. コンテキストウィンドウ
3. エポック
4. 学習率

問125 ディープラーニング技術

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。

1. VGGNet
2. LeNet
3. AlexNet
4. ResNet

問126 人工知能の基礎と研究の歴史

DeepMindが開発したタンパク質立体構造予測AIとして正しいのはどれか。

1. AlphaGo
2. AlphaStar
3. AlphaZero
4. AlphaFold

問127 ディープラーニング数理・最適化の発展問題

検証データの誤差が悪化に転じた時点で学習を打ち切る過学習対策はどれか。

1. ドロップアウト
2. バッチ正規化
3. early stopping
4. 学習率減衰

問128 AI倫理・法律・ガバナンスの発展問題

科学技術の倫理的・法的・社会的課題を総合的に検討する枠組みを表す略語はどれか。

1. SDGs
2. ESG
3. KPI
4. ELSI

問129 生成AI・大規模言語モデル（LLM）の発展問題

ディープフェイクは、生成物に必ず明確な改ざんの痕跡が残るため、本物と容易に見分けられ悪用の懸念がない技術である。

問130 AI倫理・法律・ガバナンスの発展問題

FATEと呼ばれるAI倫理の枠組みに含まれる4要素として最も適切なものはどれか。

1. 公平性・説明責任・透明性・倫理性
2. 速度・精度・効率・拡張性
3. 可用性・完全性・機密性・否認防止
4. 学習・推論・評価・配備

問131 RNN・自然言語処理・Transformerの発展問題

知識蒸留では生徒モデルが教師モデルより必ず大きくなり、計算コストも増大する。

問132 機械学習手法の発展問題

ドロップアウトは学習時にすべてのユニットを常に有効化することで、ネットワークの表現力を最大化する手法である。

問133 ディープラーニング数理・最適化の発展問題

誤差逆伝播法は連鎖律を使わずに各層の勾配を独立に計算するため、層の数が増えても計算量はほとんど変わらない。

問134 ディープラーニング数理・最適化の発展問題

ソフトマックス関数は入力を指数化してから総和で割るため、すべての出力が非負かつ総和が1になり、交差エントロピー損失と組み合わせると勾配計算が簡潔になる。

問135 生成AI・大規模言語モデル（LLM）の発展問題

目標達成のため自律的に計画・ツール利用・複数ステップ実行を行うシステムの呼称はどれか。

1. 単発の画像分類器
2. バッチ処理ジョブ
3. 静的ルールエンジン
4. AIエージェント

問136 AI社会実装と倫理・法律

AIの判断ミスは常に開発者の責任である。

問137 機械学習手法の発展問題

係数を完全に0にしやすく特徴選択の効果を持つ正則化手法はどれか。

1. L2正則化（Ridge）
2. L1正則化（Lasso）
3. ドロップアウト
4. バッチ正規化

問138 CNN・画像認識の発展問題

DenseNetは、各層を後続のすべての層と密に結合し、特徴の再利用を促進するアーキテクチャである。

問139 AI倫理・法律・ガバナンスの発展問題

特定のデータがモデルの学習に使われたか否かを推定し、プライバシー漏えいにつながる攻撃はどれか。

1. メンバーシップ推論攻撃
2. 蒸留攻撃
3. 敵対的学習
4. 勾配降下攻撃

問140 人工知能の基礎と研究の歴史

IBMのDeep Blueは1997年に世界チェスチャンピオン（カスパロフ）に勝利した。

問141 CNN・画像認識の発展問題

データ拡張で画像をランダムに反転・回転させると、必ずモデルの精度が低下するため使用は避けるべきである。

問142 人工知能の基礎と研究の歴史

東ロボくんプロジェクトは東大入試合格を目指したが、最終的に断念された。

問143 機械学習の基礎と手法

バギングとブースティングの違いとして正しいのはどれか。

1. バギングは逐次・ブースティングは並列
2. 両者とも逐次
3. 両者ともに並列
4. バギングは並列・ブースティングは逐次

問144 AI倫理・法律・ガバナンスの発展問題

GDPRには自動化された意思決定に関する規定は存在せず、AIによる与信判断は完全に管理者の裁量に委ねられている。

問145 AI社会実装と倫理・法律

AI生成物の著作権は原則として人間の創作性が必要とされる。