G検定「大項目6 ディープラーニングの応用例」の予想問題を15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）。
ILSVRCでディープラーニングを用いて従来手法を大差で上回り優勝し、ディープラーニング隆盛の契機となったのはAlexNet。GoogLeNet・ResNet・VGGはいずれもその後のILSVRC等で精度を高めた後続のモデルで、ブームの火付け役ではない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
画素単位でクラスを割り当て、同一クラスの物体を区別せずに領域を塗り分けるのはセマンティックセグメンテーション。インスタンスセグメンテーションは同じクラスでも物体ごとに区別する点が異なる。物体検出は矩形（バウンディングボックス）で位置を示す手法、画像認識（クラス分類）は画像全体に1つのクラスを与える手法で、いずれも画素単位の塗り分けではない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
画像を一度ネットワークに通すだけで物体の位置とクラスを同時に推定し高速処理を実現するのはYOLO。R-CNNやFaster R-CNNは候補領域を抽出してから分類する多段階方式で相対的に低速。ResNetは画像分類（認識）のモデルであり、物体検出そのものを行う手法ではない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
単語を固定長の実数ベクトル（分散表現）に変換し、ベクトルの演算で意味的な関係を表せるようにした代表的手法はword2vec。形態素解析は文を単語に分割する処理、seq2seqは系列変換のモデル、機械翻訳はタスク名であり、いずれも単語ベクトルそのものを学習する手法ではない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
Transformerを基盤に、前後両方向の文脈を同時に捉えて事前学習し、各タスクへファインチューニングして使うのはBERT。GPTもTransformer系だが左から右への一方向（自己回帰）で、両方向同時ではない。word2vecは静的な単語ベクトル、seq2seqは系列変換のモデルで、いずれも双方向の事前学習言語モデルではない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
入力系列を固定長ベクトルに符号化し、それを復号して別の系列を生成するEncoder-Decoder型のモデルがseq2seqで、機械翻訳などに用いられる。形態素解析は分かち書き処理、word2vecは単語ベクトルの獲得、BERTは双方向の事前学習モデルであり、生成的な系列変換を主目的とはしない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
音声信号から人間の聴覚特性を考慮して抽出され、音声認識で古くから使われてきた特徴量はメル周波数ケプストラム係数。主成分分析（PCA）は次元削減、敵対的生成ネットワーク（GAN）は生成モデル、誤差逆伝播法は学習アルゴリズムであり、いずれも音声の特徴量ではない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
ゲーム画面を入力に強化学習（Q学習）とディープラーニングを組み合わせ、ビデオゲームを人間以上のスコアでプレイできるようにしたのはDQN。AlphaGoは囲碁でプロ棋士に勝利したプログラム、方策勾配法は方策を直接最適化する強化学習の手法、word2vecは自然言語処理の手法であり、いずれも該当しない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
大規模言語モデルが事実に基づかないもっともらしい誤情報を生成してしまう現象はハルシネーション。マルチモーダルは複数種類のデータを扱うこと、プロンプトはモデルへの入力指示、ファインチューニングは追加学習による調整を指し、いずれも誤情報生成の現象名ではない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
大量かつ多様なデータで事前学習し、その後さまざまな下流タスクへ適応して幅広く応用できる大規模モデルの総称が基盤モデル。敵対的生成ネットワーク（GAN）・変分オートエンコーダ（VAE）・畳み込みニューラルネットワーク（CNN）はいずれも特定の構造を持つモデルであり、多様なタスクに広く適応する総称ではない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
正解はInception。GoogLeNetは、サイズの異なる複数の畳み込みフィルタやプーリングを同じ入力に並列に適用し、その出力を結合する構造（Inception）を積み重ねたモデルで、多様な大きさの特徴を同時に捉える。スキップ結合（残差接続）は層を飛び越えて入力を足し合わせる別の工夫でResNetに用いられる。ドロップアウトはノードをランダムに無効化する過学習対策、バッチ正規化は層の出力分布を整える手法であり、いずれも並列の畳み込みを束ねる構造ではない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
正解はU-Net。特徴を抽出する収縮経路と、解像度を元へ戻す拡大経路を左右対称に配置し、対応する層どうしをスキップ結合で直接つないで細部の位置情報を補いながら画素単位の領域分け（セマンティックセグメンテーション）を出力するモデルで、医用画像などで広く使われる。FCNも画素単位の領域分けを行うが左右対称のU字構造を特徴とはしない。Mask R-CNNは物体ごとに領域を切り出すインスタンスセグメンテーションの手法、Faster R-CNNは矩形で物体位置を求める物体検出の手法であり、いずれも本問の説明とは異なる。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
正解はVision Transformer（ViT）。画像を小さなパッチに分割して系列として扱い、自然言語処理で成果を上げた自己注意（Self-Attention）の仕組みを画像認識に応用したモデルで、畳み込みを用いずに高い性能を示した。畳み込みニューラルネットワーク（CNN）は畳み込みで画像の特徴を抽出する従来の手法、リカレントニューラルネットワーク（RNN）は系列を再帰的に処理する手法、敵対的生成ネットワーク（GAN）はデータ生成の手法であり、いずれも自己注意を画像認識に応用したモデルではない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
正解はELMo。同じ単語でも文中の前後の文脈に応じて異なるベクトル表現が得られる、文脈を考慮した分散表現を与える手法である。word2vecは1つの単語につねに同じ固定のベクトルを割り当てる静的な手法で文脈を反映しない。形態素解析は文を単語に分割する処理、Transformerは自己注意を用いるネットワーク構造そのものであり、いずれも文脈に応じて変化する単語の分散表現を与える手法を指すものではない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）
正解はAlphaZero。人間の対局記録（棋譜）を用いず、自己対戦（セルフプレイ）による強化学習だけで囲碁・チェス・将棋などを習得し、人間の棋譜から学習した従来版を上回ったプログラムである。AlphaGoは人間の棋譜による学習を取り入れていた点で本問の条件と異なる。DQNはゲーム画面を入力にビデオゲームを学習した深層強化学習の手法、Actor-Criticは行動を選ぶ部分と価値を評価する部分を組み合わせた強化学習の手法であり、いずれも本問の説明に当てはまるプログラムではない。
https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）