CHAPTER 06 / REVIEW
ディープラーニングの応用
画像、自然言語、音声、強化学習、生成AIへ技術がどう応用されるかを学びます。 5日分の知識を、用語暗記ではなく判断へ使えるか確認します。
15問問題と選択肢の順番は挑戦ごとに変わります。
QUESTION 01識別モデルと生成モデルの違いとして適切なものはどれですか。
正解は「識別モデルは分類境界を、生成モデルはデータが現れる分布や規則を学ぶ」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
識別モデルは分類境界を、生成モデルはデータが現れる分布や規則を学ぶ: 正解は「識別モデルは分類境界を、生成モデルはデータが現れる分布や規則を学ぶ」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
生成モデルは必ず正解ラベルだけを出す: 生成モデルは新しいデータや補完を作れます。
識別モデルは入力を一切使わない: 識別には入力特徴が必要です。
二つは学習目的も出力も常に同じ: 目的は異なり、組み合わせる場合もあります。
QUESTION 02decoder型言語モデルが位置tを生成するときの基本的な参照範囲はどれですか。
正解は「位置tより前にあるトークン」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
位置tより前にあるトークン: 正解は「位置tより前にあるトークン」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
位置tより後の正解トークンだけ: Causal Maskで未来の正解を遮断します。
学習データのURLだけ: URLだけを入力とする仕組みではありません。
未来の利用者入力だけ: まだ存在しない入力を利用できません。
QUESTION 03AlexNetの成功を説明する要素の組合せとして適切なものはどれですか。
正解は「大規模画像、GPU、ReLU、Dropout、データ拡張」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
大規模画像、GPU、ReLU、Dropout、データ拡張: 正解は「大規模画像、GPU、ReLU、Dropout、データ拡張」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
層を一層だけにし、学習データを使わない: AlexNetは深いCNNを大量データで学習しました。
全画素へ手作業で同じ正解を入力する: 教師あり分類には画像とラベルが必要です。
残差接続だけを初めて使う: 残差接続を代表するのは後のResNetです。
QUESTION 04CTCを音声認識へ使う理由として適切なものはどれですか。
正解は「音声の各時点と文字の細かな対応ラベルがなくても系列を対応付けられる」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
音声の各時点と文字の細かな対応ラベルがなくても系列を対応付けられる: 正解は「音声の各時点と文字の細かな対応ラベルがなくても系列を対応付けられる」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
音声の長さと文字数を必ず同じにする: 空白と繰り返しをまとめ、異なる長さを扱います。
認識誤りを必ず0にする: 学習方式は完全精度を保証しません。
話者の同意を不要にする: データ利用の同意や権利は別に必要です。
QUESTION 05拡散モデルの基本的な生成方法はどれですか。
正解は「ランダム雑音から始め、段階的に雑音を除く」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
ランダム雑音から始め、段階的に雑音を除く: 正解は「ランダム雑音から始め、段階的に雑音を除く」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
画像の正解ラベルだけを一回表示する: 分類ラベル表示は画像生成ではありません。
識別器だけで音声を録音する: GANと音声入力を混同しています。
全画素を手作業で塗る: モデルによる反復生成の説明ではありません。
QUESTION 06知識蒸留で生徒モデルが学ぶ代表的な情報はどれですか。
正解は「教師モデルが出す各クラスの確率分布など」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
教師モデルが出す各クラスの確率分布など: 正解は「教師モデルが出す各クラスの確率分布など」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
訓練に使う机の高さだけ: 設備情報は教師の知識移転ではありません。
未来の利用者一覧: 未知の利用者を取得する方法ではありません。
モデルの法的責任そのもの: 法的責任は契約・法・運用で定めます。
QUESTION 07RAGを使うときに別々に評価すべきものはどれですか。
正解は「正しい資料を検索できたかと、回答がその資料に一致したか」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
正しい資料を検索できたかと、回答がその資料に一致したか: 正解は「正しい資料を検索できたかと、回答がその資料に一致したか」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
回答文の長さだけ: 文章量だけで根拠や正確さは分かりません。
モデル名の文字数だけ: 製品名の長さは品質指標ではありません。
検索結果を使わず作った印象だけ: 検索と生成を分けて証拠で評価します。
QUESTION 08BERTのようなencoder型モデルの事前学習の説明として適切なものはどれですか。
正解は「左右の文脈を使い、隠したトークンを予測する」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
左右の文脈を使い、隠したトークンを予測する: 正解は「左右の文脈を使い、隠したトークンを予測する」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
未来トークンだけを見て過去を生成する: encoder型の穴埋め学習とは参照方向が違います。
音声波形だけから行動価値を出す: これは音声と強化学習を混ぜた説明です。
文章を一切トークン化しない: 言語モデルへ入れる前にトークン表現が必要です。
QUESTION 09ResNetの残差ブロックが代表的に出力する形はどれですか。
正解は「F(x)+x」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
F(x)+x: 正解は「F(x)+x」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
F(x)×0だけ: 変換F(x)を常に0へ固定する仕組みではありません。
xを削除した乱数: 入力を近道で足すことが要点です。
訓練損失−テスト損失: 二つの評価損失を引く式ではありません。
QUESTION 10Inceptionで1×1畳み込みを使う主な役割の一つはどれですか。
正解は「チャンネル数を調整し、後続の大きな畳み込みの計算を減らす」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
チャンネル数を調整し、後続の大きな畳み込みの計算を減らす: 正解は「チャンネル数を調整し、後続の大きな畳み込みの計算を減らす」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
画像の縦横を必ず1×1画素にする: 1×1は各位置のチャンネルを混ぜる処理です。
正解ラベルを自動生成する: ラベル作成の機能ではありません。
物体の因果関係を証明する: 畳み込みだけで因果関係は証明できません。
QUESTION 11転移学習で負の転移が起きた状態はどれですか。
正解は「元課題の知識が目的課題へ合わず、ゼロから学ぶより悪化する」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
元課題の知識が目的課題へ合わず、ゼロから学ぶより悪化する: 正解は「元課題の知識が目的課題へ合わず、ゼロから学ぶより悪化する」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
事前学習で必ず全課題が改善する: 分布が遠い場合は改善を保証できません。
元モデルを使わず計算量が0になる: モデルを使わない状態ではありません。
目的データが自動で無限に増える: 転移学習はデータを無限に生成しません。
QUESTION 12画像分類と物体検出の違いとして適切なものはどれですか。
正解は「物体検出は種類に加えて画像内の位置も予測する」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
物体検出は種類に加えて画像内の位置も予測する: 正解は「物体検出は種類に加えて画像内の位置も予測する」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
画像分類は必ず各画素へラベルを付ける: 各画素の分類はセグメンテーションの説明です。
物体検出は画像を使わず文章だけを処理する: 物体検出は画像内の対象を扱います。
二つは正解データも出力も完全に同じ: 位置を示す枠などが必要で、出力と評価が異なります。
QUESTION 13VAEで再パラメータ化を使う主な理由はどれですか。
正解は「標本化のランダムさを分離し、encoderの平均・分散へ勾配を流せるようにする」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
標本化のランダムさを分離し、encoderの平均・分散へ勾配を流せるようにする: 正解は「標本化のランダムさを分離し、encoderの平均・分散へ勾配を流せるようにする」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
潜在変数を常に同じ値へ固定する: 分布から標本化するため、潜在変数は入力ごとに変化します。
GANの識別器をVAEへ置き換える: VAEは生成器と識別器を競わせる方式ではありません。
生成画像の著作権を自動判定する: 再パラメータ化は学習計算の工夫で、権利判断の仕組みではありません。
QUESTION 14DQNのターゲットネットワークの役割として適切なものはどれですか。
正解は「学習目標を短期間固定し、急に動き続けるのを抑える」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
学習目標を短期間固定し、急に動き続けるのを抑える: 正解は「学習目標を短期間固定し、急に動き続けるのを抑える」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
現実の安全を必ず保証する: 学習安定化であり、安全保証そのものではありません。
経験再生をすべて削除する: 経験再生と組み合わせて使えます。
行動を一種類だけにする: 利用可能な行動数を一つへ固定しません。
QUESTION 15画像モデルが背景や施設記号を近道として学んだか確認する方法はどれですか。
正解は「背景・記号を変えた反例と別施設データで試す」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
背景・記号を変えた反例と別施設データで試す: 正解は「背景・記号を変えた反例と別施設データで試す」です。講義で扱った仕組みと判断条件に一致します。ほかの選択肢が当てはまらない理由まで確認しましょう。
同じ撮影環境の画像だけで得点を出す: 同じ偏りを含む評価では弱点が隠れます。
全体精度が高ければ根拠を確認しない: 高精度でも誤った相関を使うことがあります。
記号をさらに大きくして学習する: 近道となる信号を強めるため逆効果です。
章末テスト
第6章・定着テスト
0/ 15