G検定 大項目4 ディープラーニングの概要 予想問題（2/2）

この事例では「入力と出力の間に中間層を持つパーセプトロンか」を確認すると、多層パーセプトロンに絞れる。正解は「多層パーセプトロン」である。入力層と出力層の間に中間の層（隠れ層）を追加した多層パーセプトロンは、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。決定木・サポートベクターマシン・k近傍法はいずれも別の機械学習手法であり、パーセプトロンに隠れ層を加えた構造ではない。 選択肢ごとの差は次のように整理できる。「決定木」は誤答側で、誤答。「決定木」は多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。「サポートベクターマシン」は誤答側で、誤答。「サポートベクターマシン」は多層パーセプトロンとは別の機械学習手法であり、入力層と出力層の間に隠れ層を持つ構造ではない。「多層パーセプトロン」は正解側で、正解。「多層パーセプトロン」は入力層と出力層の間に隠れ層を追加した構造であり、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。「k近傍法」は誤答側で、誤答。「k近傍法」は多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

この事例では「ニューラルネットワークによる連続関数の近似可能性か」を確認すると、万能近似定理に絞れる。正解は「万能近似定理」である。万能近似定理は、隠れ層を持つニューラルネットワークが十分な数のニューロンを備えれば任意の連続関数を任意の精度で近似できることを示す定理である。ノーフリーランチ定理はあらゆる問題に万能なアルゴリズムは存在しないという主張、ベイズの定理は確率の更新、中心極限定理は標本平均の分布に関する定理であり、いずれも近似能力に関する本定理とは異なる。 選択肢ごとの差は次のように整理できる。「ノーフリーランチ定理」は誤答側で、誤答。「ノーフリーランチ定理」はあらゆる問題に万能なアルゴリズムは存在しないという主張であり、関数を近似できる能力について述べた定理ではない。「ベイズの定理」は誤答側で、誤答。「ベイズの定理」は確率を新たな情報で更新するための定理であり、ニューラルネットワークの近似能力について述べた定理ではない。「万能近似定理」は正解側で、正解。「万能近似定理」は隠れ層を持つニューラルネットワークが十分な数のニューロンを備えれば任意の連続関数を任意の精度で近似できることを示す定理である。「中心極限定理」は誤答側で、誤答。「中心極限定理」は標本平均の分布に関する定理であり、ニューラルネットワークの近似能力について述べた定理ではない。

https://www.jdla.org/certificate/general/

この事例では「線形分離不能なXORの条件か」を確認すると、XOR（排他的論理和）のような線形分離できない問題に絞れる。正解は「XOR（排他的論理和）のような線形分離できない問題」である。単純パーセプトロンは直線（超平面）で分離できる線形分離可能な問題しか解けず、XOR（排他的論理和）のように1本の直線では分けられない問題は解けない。これがパーセプトロンの限界として知られ、中間層を持つ多層パーセプトロンによって解決された。線形分離可能な問題は単純パーセプトロンでも解ける。 選択肢ごとの差は次のように整理できる。「2つの数の足し算」は誤答側で、誤答。「2つの数の足し算」は線形分離の可否とは異なる処理であり、単純パーセプトロンが解けない代表例として挙げられる問題ではない。「1本の直線で2つのグループに分けられる問題」は誤答側で、誤答。「1本の直線で2つのグループに分けられる問題」は線形分離可能な問題であり、単純パーセプトロンでも解ける。設問が求める「解けない問題」には当たらない。「XOR（排他的論理和）のような線形分離できない問題」は正解側で、正解。「XOR（排他的論理和）のような線形分離できない問題」は1本の直線では分けられない問題であり、単純パーセプトロンが解けない代表例として知られる。「文字を画面に表示する処理」は誤答側で、誤答。「文字を画面に表示する処理」は線形分離の可否とは関係のない処理であり、単純パーセプトロンが解けない代表例として挙げられる問題ではない。

https://www.jdla.org/certificate/general/

この事例では「隠れ層を追加して非線形な境界を表現するか」を確認すると、多層パーセプトロンに絞れる。正解は「多層パーセプトロン」である。入力層と出力層の間に中間の層（隠れ層）を追加した多層パーセプトロンは、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。決定木・サポートベクターマシン・k近傍法はいずれも別の機械学習手法であり、パーセプトロンに隠れ層を加えた構造ではない。 選択肢ごとの差は次のように整理できる。「決定木」は誤答側で、誤答。「決定木」は多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。「サポートベクターマシン」は誤答側で、誤答。「サポートベクターマシン」は多層パーセプトロンとは別の機械学習手法であり、入力層と出力層の間に隠れ層を持つ構造ではない。「多層パーセプトロン」は正解側で、正解。「多層パーセプトロン」は入力層と出力層の間に隠れ層を追加した構造であり、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。「k近傍法」は誤答側で、誤答。「k近傍法」は多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

この事例では「排他的論理和で線形分離できないか」を確認すると、XOR（排他的論理和）のような線形分離できない問題に絞れる。正解は「XOR（排他的論理和）のような線形分離できない問題」である。単純パーセプトロンは直線（超平面）で分離できる線形分離可能な問題しか解けず、XOR（排他的論理和）のように1本の直線では分けられない問題は解けない。これがパーセプトロンの限界として知られ、中間層を持つ多層パーセプトロンによって解決された。線形分離可能な問題は単純パーセプトロンでも解ける。 選択肢ごとの差は次のように整理できる。「2つの数の足し算」は誤答側で、誤答。「2つの数の足し算」は線形分離の可否とは異なる処理であり、単純パーセプトロンが解けない代表例として挙げられる問題ではない。「1本の直線で2つのグループに分けられる問題」は誤答側で、誤答。「1本の直線で2つのグループに分けられる問題」は線形分離可能な問題であり、単純パーセプトロンでも解ける。設問が求める「解けない問題」には当たらない。「XOR（排他的論理和）のような線形分離できない問題」は正解側で、正解。「XOR（排他的論理和）のような線形分離できない問題」は1本の直線では分けられない問題であり、単純パーセプトロンが解けない代表例として知られる。「文字を画面に表示する処理」は誤答側で、誤答。「文字を画面に表示する処理」は線形分離の可否とは関係のない処理であり、単純パーセプトロンが解けない代表例として挙げられる問題ではない。

https://www.jdla.org/certificate/general/

この事例では「隠れ層を持つ複数層のパーセプトロンか」を確認すると、多層パーセプトロンに絞れる。正解は「多層パーセプトロン」である。入力層と出力層の間に中間の層（隠れ層）を追加した多層パーセプトロンは、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。決定木・サポートベクターマシン・k近傍法はいずれも別の機械学習手法であり、パーセプトロンに隠れ層を加えた構造ではない。 選択肢ごとの差は次のように整理できる。「決定木」は誤答側で、誤答。「決定木」は多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。「サポートベクターマシン」は誤答側で、誤答。「サポートベクターマシン」は多層パーセプトロンとは別の機械学習手法であり、入力層と出力層の間に隠れ層を持つ構造ではない。「多層パーセプトロン」は正解側で、正解。「多層パーセプトロン」は入力層と出力層の間に隠れ層を追加した構造であり、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。「k近傍法」は誤答側で、誤答。「k近傍法」は多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

この事例では「ニューラルネットワークの関数近似能力を述べるか」を確認すると、万能近似定理に絞れる。正解は「万能近似定理」である。万能近似定理は、隠れ層を持つニューラルネットワークが十分な数のニューロンを備えれば任意の連続関数を任意の精度で近似できることを示す定理である。ノーフリーランチ定理はあらゆる問題に万能なアルゴリズムは存在しないという主張、ベイズの定理は確率の更新、中心極限定理は標本平均の分布に関する定理であり、いずれも近似能力に関する本定理とは異なる。 選択肢ごとの差は次のように整理できる。「ノーフリーランチ定理」は誤答側で、誤答。「ノーフリーランチ定理」はあらゆる問題に万能なアルゴリズムは存在しないという主張であり、関数を近似できる能力について述べた定理ではない。「ベイズの定理」は誤答側で、誤答。「ベイズの定理」は確率を新たな情報で更新するための定理であり、ニューラルネットワークの近似能力について述べた定理ではない。「万能近似定理」は正解側で、正解。「万能近似定理」は隠れ層を持つニューラルネットワークが十分な数のニューロンを備えれば任意の連続関数を任意の精度で近似できることを示す定理である。「中心極限定理」は誤答側で、誤答。「中心極限定理」は標本平均の分布に関する定理であり、ニューラルネットワークの近似能力について述べた定理ではない。

https://www.jdla.org/certificate/general/

この事例では「データが一本の直線で分離できないか」を確認すると、XOR（排他的論理和）のような線形分離できない問題に絞れる。正解は「XOR（排他的論理和）のような線形分離できない問題」である。単純パーセプトロンは直線（超平面）で分離できる線形分離可能な問題しか解けず、XOR（排他的論理和）のように1本の直線では分けられない問題は解けない。これがパーセプトロンの限界として知られ、中間層を持つ多層パーセプトロンによって解決された。線形分離可能な問題は単純パーセプトロンでも解ける。 選択肢ごとの差は次のように整理できる。「2つの数の足し算」は誤答側で、誤答。「2つの数の足し算」は線形分離の可否とは異なる処理であり、単純パーセプトロンが解けない代表例として挙げられる問題ではない。「1本の直線で2つのグループに分けられる問題」は誤答側で、誤答。「1本の直線で2つのグループに分けられる問題」は線形分離可能な問題であり、単純パーセプトロンでも解ける。設問が求める「解けない問題」には当たらない。「XOR（排他的論理和）のような線形分離できない問題」は正解側で、正解。「XOR（排他的論理和）のような線形分離できない問題」は1本の直線では分けられない問題であり、単純パーセプトロンが解けない代表例として知られる。「文字を画面に表示する処理」は誤答側で、誤答。「文字を画面に表示する処理」は線形分離の可否とは関係のない処理であり、単純パーセプトロンが解けない代表例として挙げられる問題ではない。

https://www.jdla.org/certificate/general/

この事例では「隠れ層によって非線形な関係を学ぶ構造か」を確認すると、多層パーセプトロンに絞れる。正解は「多層パーセプトロン」である。入力層と出力層の間に中間の層（隠れ層）を追加した多層パーセプトロンは、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。決定木・サポートベクターマシン・k近傍法はいずれも別の機械学習手法であり、パーセプトロンに隠れ層を加えた構造ではない。 選択肢ごとの差は次のように整理できる。「決定木」は誤答側で、誤答。「決定木」は多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。「サポートベクターマシン」は誤答側で、誤答。「サポートベクターマシン」は多層パーセプトロンとは別の機械学習手法であり、入力層と出力層の間に隠れ層を持つ構造ではない。「多層パーセプトロン」は正解側で、正解。「多層パーセプトロン」は入力層と出力層の間に隠れ層を追加した構造であり、単純パーセプトロンでは解けなかったXORのような線形分離できない問題も表現できる。「k近傍法」は誤答側で、誤答。「k近傍法」は多層パーセプトロンとは別の機械学習手法であり、単純パーセプトロンでは解けなかったXOR問題を扱うために入力層と出力層の間に隠れ層を加えた構造ではない。

https://www.jdla.org/certificate/general/ ／ G検定シラバス2024（第1.4版・2026-07-05照合）

この事例では「ニューラルネットワークの普遍的な関数近似性か」を確認すると、万能近似定理に絞れる。正解は「万能近似定理」である。万能近似定理は、隠れ層を持つニューラルネットワークが十分な数のニューロンを備えれば任意の連続関数を任意の精度で近似できることを示す定理である。ノーフリーランチ定理はあらゆる問題に万能なアルゴリズムは存在しないという主張、ベイズの定理は確率の更新、中心極限定理は標本平均の分布に関する定理であり、いずれも近似能力に関する本定理とは異なる。 選択肢ごとの差は次のように整理できる。「ノーフリーランチ定理」は誤答側で、誤答。「ノーフリーランチ定理」はあらゆる問題に万能なアルゴリズムは存在しないという主張であり、関数を近似できる能力について述べた定理ではない。「ベイズの定理」は誤答側で、誤答。「ベイズの定理」は確率を新たな情報で更新するための定理であり、ニューラルネットワークの近似能力について述べた定理ではない。「万能近似定理」は正解側で、正解。「万能近似定理」は隠れ層を持つニューラルネットワークが十分な数のニューロンを備えれば任意の連続関数を任意の精度で近似できることを示す定理である。「中心極限定理」は誤答側で、誤答。「中心極限定理」は標本平均の分布に関する定理であり、ニューラルネットワークの近似能力について述べた定理ではない。

https://www.jdla.org/certificate/general/

この事例では「線形分離できない排他的論理和か」を確認すると、XOR（排他的論理和）のような線形分離できない問題に絞れる。正解は「XOR（排他的論理和）のような線形分離できない問題」である。単純パーセプトロンは直線（超平面）で分離できる線形分離可能な問題しか解けず、XOR（排他的論理和）のように1本の直線では分けられない問題は解けない。これがパーセプトロンの限界として知られ、中間層を持つ多層パーセプトロンによって解決された。線形分離可能な問題は単純パーセプトロンでも解ける。 選択肢ごとの差は次のように整理できる。「2つの数の足し算」は誤答側で、誤答。「2つの数の足し算」は線形分離の可否とは異なる処理であり、単純パーセプトロンが解けない代表例として挙げられる問題ではない。「1本の直線で2つのグループに分けられる問題」は誤答側で、誤答。「1本の直線で2つのグループに分けられる問題」は線形分離可能な問題であり、単純パーセプトロンでも解ける。設問が求める「解けない問題」には当たらない。「XOR（排他的論理和）のような線形分離できない問題」は正解側で、正解。「XOR（排他的論理和）のような線形分離できない問題」は1本の直線では分けられない問題であり、単純パーセプトロンが解けない代表例として知られる。「文字を画面に表示する処理」は誤答側で、誤答。「文字を画面に表示する処理」は線形分離の可否とは関係のない処理であり、単純パーセプトロンが解けない代表例として挙げられる問題ではない。

https://www.jdla.org/certificate/general/

正解は「ミニバッチ単位で層への入力を正規化することで内部共変量シフトを抑え、より高い学習率を使用でき、初期化に慎重である必要も薄れ、正則化としても機能する」というバッチ正規化の説明である。バッチ正規化は2015年にIoffe & Szegedyが発表した論文（arXiv:1502.03167）で提案された手法で、この効果が述べられている。早期終了（early stopping）の説明は、検証データに対する誤差の悪化を検知して学習そのものを打ち切る手法であって、層への入力分布を正規化する手法ではない。ドロップアウトの説明は、学習の各ステップで一部のノードをランダムに無効化する手法であって、層への入力分布を正規化する手法ではない。L1正則化（ラッソ回帰）の説明は、重みへのペナルティで一部の重みを厳密に0にする手法であって、層への入力分布を正規化する手法ではない。

https://arxiv.org/abs/1502.03167 を2026-08-24にWebFetchで確認／G検定シラバス2024（大項目4 ディープラーニングの概要）