G検定「大項目5 ディープラーニングの要素技術」の予想問題を13問、各問の完全解説つきで掲載しています。全問オリジナル自作・公式シラバス準拠です。
当サイトの作問時に観察した、取り違えやすい論点です（公式の統計ではありません）。
プーリング層は特徴マップを縮小（ダウンサンプリング）し、対象の位置ずれに対する頑健性（位置不変性）を高める。畳み込み層はフィルタで特徴を抽出する層、全結合層は抽出した特徴を統合して分類などに用いる層、出力層は最終的な予測値を出す層であり、いずれも空間サイズの縮小と位置不変性の付与を主目的とはしない。
https://www.jdla.org/certificate/general/ （大項目5 ディープラーニングの要素技術）
ネオコグニトロンは視覚野の単純型細胞・複雑型細胞の階層構造に着想を得た初期モデルで、現在のCNNの原型とされる。LeNetは誤差逆伝播法で学習する初期のCNNだが、単純型・複雑型細胞に着想した原型モデルそのものではない。AlexNetはILSVRCで注目された深いCNN、ResNetは残差接続を導入したより新しいモデルであり、いずれも原型とは言えない。
https://www.jdla.org/certificate/general/ （大項目5 ディープラーニングの要素技術）
ストライドは畳み込みでフィルタをずらす際の移動幅で、値を大きくすると出力サイズが小さくなる。パディングは入力の周囲に画素を補う処理で出力サイズの調整に使い、フィルタ（カーネル）は特徴抽出に用いる重みのまとまり、プーリングは特徴マップを縮小する処理であり、いずれも移動幅そのものを指す語ではない。
https://www.jdla.org/certificate/general/ （大項目5 ディープラーニングの要素技術）
前の時刻の中間状態を次時刻に再帰的に渡す構造を持つのはリカレントニューラルネットワーク（RNN）で、可変長の系列データに適する。CNNは画像など空間的データの特徴抽出、GANはデータ生成、VAEは確率的な符号化と生成を行うものであり、時系列の再帰構造を本質としない。
https://www.jdla.org/certificate/general/ （大項目5 ディープラーニングの要素技術）
入力・出力・忘却の3つのゲートと記憶セルを持ち、長期依存を保持して勾配消失を緩和するのはLSTM。GRUも勾配消失対策だがゲートは2つ（リセット・更新）で独立した記憶セルを持たず、説明と一致しない。双方向RNNは系列を前後両方向から処理する構造、BPTTは時間方向に展開して誤差逆伝播を行う学習法であり、ゲート機構の手法ではない。
https://www.jdla.org/certificate/general/ （大項目5 ディープラーニングの要素技術）
慣性（モメンタム）と、パラメータごとの適応的な学習率調整の両方を併せ持つのはAdam。モメンタムは慣性のみ、AdaGradとRMSPropはパラメータごとの学習率調整のみであり、両方の性質を同時に備えるという説明には当てはまらない。
https://www.jdla.org/certificate/general/ （大項目5 ディープラーニングの要素技術）
教師となる大きなモデルの出力を生徒となる小さなモデルに学習させ、精度を保ちつつ軽量化するのは蒸留（distillation）。転移学習は学習済みモデルを別タスクに再利用する枠組み、ファインチューニングは学習済みモデルの重みを新タスク向けに微調整する手法、データ拡張は学習データを水増しする手法であり、いずれもモデルの小型化を目的とした教師生徒の枠組みではない。
https://www.jdla.org/certificate/general/ （大項目5 ディープラーニングの要素技術）
本物らしいデータを作る生成器と、真偽を見分ける識別器を競わせて交互に学習するのは敵対的生成ネットワーク（GAN）。VAEは確率的な潜在変数を用いる生成モデル、拡散モデルはノイズの付与と除去で生成する手法、オートエンコーダは入力の再構成を学ぶものであり、2つのネットワークの競合という枠組みではない。
https://www.jdla.org/certificate/general/ （大項目5 ディープラーニングの要素技術）
データへ徐々にノイズを加える過程を逆にたどり、ノイズから段階的に復元して生成するのは拡散モデル（Diffusion Model）。VAEは潜在変数を介した符号化と復元、GANは生成器と識別器の競合、RNNは系列の再帰処理であり、ノイズ除去の過程を逆にたどって生成する仕組みではない。
https://www.jdla.org/certificate/general/ （大項目5 ディープラーニングの要素技術）
再帰や畳み込みを用いず、系列内の要素同士の関連度（自己注意）を計算して情報を重み付けするのはTransformer。LSTM・GRU・双方向RNNはいずれも再帰構造を基礎とする手法であり、注意機構を全面的に採用したモデルではない。
https://www.jdla.org/certificate/general/ （大項目5 ディープラーニングの要素技術）
正解はCycleGAN。変換前後が一対一に対応づけられた画像の組（ペア）を用意できなくても、ある画像群がもつ特徴を別の画像群がもつ特徴へ相互に変換できるよう学習する手法である。Pix2Pixは対応するペア画像を前提とした画像変換、条件付きGAN（Conditional GAN）はラベルなどの条件を与えて生成物を制御する手法、StyleGANはスタイルを階層的に制御して高精細な画像を生成する手法であり、いずれも対応ペアが不要な相互変換を主目的とするものではない。
https://www.jdla.org/certificate/general/ （大項目5 ディープラーニングの要素技術）
正解はPix2Pix。変換元と変換先が一対一に対応づいた画像のペアを教師データとして用い、入力画像を対応する別の見た目の画像へ変換する手法である。CycleGANは対応ペアが不要な変換、DCGANは生成器・識別器に畳み込みを用いて画像生成を安定化させたモデル、StyleGANはスタイルを階層的に制御するモデルであり、いずれも対応ペアを前提とした画像変換そのものを指すものではない。
https://www.jdla.org/certificate/general/ （大項目5 ディープラーニングの要素技術）
正解はDCGAN。初期のGANの生成器・識別器に畳み込みネットワークの構造を全面的に取り入れ、画像生成の品質と学習の安定性を高めた代表的なモデルである。条件付きGAN（Conditional GAN）は条件を与えて生成を制御する手法、CycleGANは対応ペアが不要な画像変換、StyleGANはスタイルを階層的に制御する手法であり、いずれも畳み込みの導入による学習安定化を主眼とした初期モデルではない。
https://www.jdla.org/certificate/general/ （大項目5 ディープラーニングの要素技術）