G検定 大項目6 ディープラーニングの応用例 予想問題と解説

正解は「蒸留」である。蒸留は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手法（distillation）である。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。設問は「教師モデルの出力を生徒モデルに模倣させて軽量化する」という枠組みを問うており、これに該当するのは蒸留だけである。

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「敵対的生成ネットワーク（GAN）」である。GANは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ことで、高品質なデータ生成を目指す。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、いずれも2つのネットワークの競合という枠組みではない。設問は「2つのネットワークを競い合わせる」という構造を問うており、これに該当するのはGANだけである。

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。 画像変換GANは教師データの対応関係で区別する。入力と出力のペアを必要とするPix2Pixではなく、変換の循環整合性を利用して対応なしの画像群から学習するCycleGANを選ぶ。条件による生成制御や高精細画像生成も設問の中心ではない。

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。 画像変換の方式は対応ペアの有無を最初に見る。線画と写真のように入力と正解出力が一対一に対応する教師データを使うのはPix2Pixであり、対応なしで相互変換するCycleGANとは反対の条件である。DCGANとStyleGANは画像生成モデルの構造・制御に関する名称である。

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。 GAN派生モデルは改良の中心で対応させる。対応なし画像変換はCycleGAN、階層的なスタイル制御はStyleGAN、条件入力はConditional GANである。生成器・識別器へ畳み込みネットワークを全面的に導入した点に対応するのはDCGANである。

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「AlexNet」である。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。3つの後続モデルはさらに固有の特徴で見分けられる。ResNetはスキップ結合（残差接続）によって層を深くしても学習が崩れないようにした点、GoogLeNetはInceptionモジュールを採用した点がそれぞれの識別材料になる。VGGはAlexNetより後のILSVRCで登場し精度を高めた後続モデルであり、最初の優勝モデルではない。

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「セマンティックセグメンテーション」である。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。4つの選択肢は出力の単位（画素・矩形・画像全体）と、同一クラス内の個体を区別するかどうかという2つの軸で明確に切り分けられる。

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「YOLO」である。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。R-CNNとFaster R-CNNはいずれも候補領域抽出という段階を経る点で共通するが、YOLOは候補領域抽出の段階を持たず画像全体を一度に処理する点で異なる。

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「word2vec」である。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。4つの選択肢は「単語のベクトル化」「文を単語に分割する処理」「系列を別の系列に変換するモデル」「言語間変換というタスク名」という異なる役割に分かれる。

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「BERT」である。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。BERTとGPTはともにTransformerを基盤とする点で共通するが、文脈を捉える方向（双方向か一方向か）が異なる。

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「seq2seq」である。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。4つの選択肢は「単語ベクトルの獲得」「文の分割」「双方向の事前学習」「系列から系列への生成」という異なる目的に分かれる。

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「メル周波数ケプストラム係数」である。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。4つの選択肢は「音声特徴量」「次元削減」「データ生成」「学習アルゴリズム」という異なる役割に分かれ、音声信号から抽出する特徴量に該当するのはメル周波数ケプストラム係数のみである。

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「DQN」である。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。DQNと方策勾配法はともに強化学習の手法である点で共通するが、DQNがQ学習を基にする点、方策勾配法が方策そのものを直接最適化する点でアルゴリズムの立て方が異なる。

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「ハルシネーション」である。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。4つの選択肢は「誤情報を生成する現象」「複数データ種を扱う性質」「モデルへの入力指示」「追加学習による調整」という異なる対象を指す語であり、モデルの出力結果そのものの問題を指すのはハルシネーションだけである。

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「基盤モデル（Foundation Model）」である。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。GAN・VAE・CNNはそれぞれ生成器と識別器を競わせる構造、潜在変数を介した生成構造、畳み込み層を持つ構造という固有の構造を指す名称である点で、総称である基盤モデルとは性質が異なる。

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。 分岐の形とモデル名を対応させる。残差接続はResNetで入力を後段へ加算し、ドロップアウトはユニットを無効化し、バッチ正規化は活性値の分布を整える。同じ入力に複数サイズの処理を並べ出力を連結するのがInceptionである。

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。 タスクと構造の両方を見る。Faster R-CNNは矩形の物体検出、Mask R-CNNは物体ごとのマスク、FCNも画素分類を行うが対称な収縮・拡大経路を名称の核としない。U字形の経路と対応層のスキップ接続を持つU-Netが一致する。

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。 画像の表現単位と中心演算を照合する。RNNは隠れ状態を再帰更新し、GANは生成器と識別器を競わせ、CNNはカーネルで局所領域を畳み込む。画像パッチをトークンのように並べTransformerへ入力するのはVision Transformerである。

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。 単語表現が固定か文脈依存かを見る。word2vecは語ごとに一つの静的ベクトル、形態素解析は文の分割、Transformerは汎用ネットワーク構造である。前後方向の言語モデルから文脈依存表現を作る手法名はELMoである。

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。 学習データと固有名を照合する。AlphaGoは人間棋譜を利用した版を含み、DQNはテレビゲームのQ学習手法、Actor-Criticは方策と価値を組み合わせる一般方式である。棋譜なしのセルフプレイで囲碁・チェス・将棋を学んだAlphaZeroが該当する。

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「膨大なテキストデータで学習し、文章の生成や理解を行う巨大なパラメータを持つ言語モデル」である。大規模言語モデル（LLM: Large Language Model）は、膨大なテキストデータで学習し、非常に多くのパラメータを持つ言語モデルで、文章の生成・理解・翻訳・要約など幅広い言語タスクに対応する。画像専用のモデルや手書きルールベースのモデルとは異なる。見分ける軸は、主な学習対象がテキストであること、文章の生成と理解を扱うこと、巨大なパラメータを持つことの3点である。画像の物体検出、少数の手書きルール、音声の記録装置は、言語モデルの学習方法と機能を説明していない。

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

正解は「事前学習で大量データから汎用的な知識を獲得し、ファインチューニングで特定タスク向けに追加調整する」である。大規模なモデルはまず大量のデータで事前学習（プレトレーニング）を行い汎用的な知識を獲得する。その後、目的の下流タスクに合わせてファインチューニング（追加学習）で調整する。順序と役割が逆になった選択肢や、両者を同一視する選択肢は誤り。 選択肢ごとの差は次のように整理できる。「事前学習は特定タスク向けの微調整、ファインチューニングは大量データによる汎用的な学習である」は誤答側で、誤答。事前学習とファインチューニングの役割が逆である。大量データによる汎用的な学習が事前学習で、特定タスク向けの追加調整がファインチューニングである。「事前学習で大量データから汎用的な知識を獲得し、ファインチューニングで特定タスク向けに追加調整する」は正解側で、正解。まず事前学習で大量データから汎用的な知識を獲得し、その後にファインチューニングで目的のタスクへ追加調整する。順序と役割がともに正しい。「両者は同じ処理の別名であり違いはない」は誤答側で、誤答。事前学習とファインチューニングは同じ処理ではない。扱うデータの範囲と、汎用的な学習か特定タスクへの調整かという目的が異なる。「ファインチューニングを行うと事前学習の知識はすべて失われる」は誤答側で、誤答。ファインチューニングは事前学習済みのモデルを特定タスク向けに追加調整する処理であり、事前学習の知識がすべて失われるという説明ではない。

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

正解は「モデルの出力を人間の好みや意図に沿ったものに近づけること」である。RLHF（Reinforcement Learning from Human Feedback）は、人間による評価・フィードバックを報酬として強化学習を行い、モデルの出力を人間の好みや意図に沿ったもの（有用で安全な応答）に近づける手法である。パラメータ削減・著作権処理・電力計測とは無関係。 RLHFが変更する対象を確認する。モデルサイズの圧縮、権利処理の自動化、ハードウェア電力の計測ではない。人間が応答を比較・評価した信号を報酬学習へ利用し、有用性や安全性を含む望ましい応答へ近づける。

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

正解は「マルチモーダル」である。複数の種類（モダリティ）の情報、たとえばテキストと画像と音声などをまたいで扱える性質をマルチモーダルという。マルチタスクは複数のタスクを同時に学習・処理すること、マルチエージェントは複数のエージェントが協調・競合すること、マルチプロセッサはハードウェアの構成を指し、いずれもモダリティの多様性を表す語ではない。 接頭語が同じ候補は何が複数かで区別する。マルチタスクは課題、マルチエージェントは行為主体、マルチプロセッサは計算装置が複数である。入力・出力の情報形式であるモダリティをまたぐ性質はマルチモーダルである。

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

正解は「プロンプト」である。生成AIに作り出してほしい内容を伝える指示や質問の文をプロンプトという。パラメータはモデル内部の学習される重み、データセットは学習に用いるデータの集合、アノテーションはデータへのラベル付け作業を指す。 モデル開発と利用時の要素を分ける。パラメータは学習される内部値、データセットは学習例の集合、アノテーションは教師情報の付与である。利用者が推論時に入力する指示・質問はプロンプトである。生成内容・条件・出力形式をその場で伝える利用時入力である点が決め手になる。

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

正解は「大量データで一度事前学習すれば、幅広い下流タスクに適応させて応用できるため」である。基盤モデルは、大量かつ多様なデータで一度事前学習すれば、その後さまざまな下流タスクへ適応（ファインチューニング等）させて幅広く応用できる点が特徴で、タスクごとに一から学習させる従来型に比べ応用範囲が広い。データ不要や手作業ルール記述という説明は誤り。比較の中心は、「タスクごとに一から学習する」のか、「共通の事前学習を下流タスクへ適応させる」のかである。基盤モデルも学習データを必要とし、判断ルールをすべて人が記述する方式でもないため、事前学習と適応の流れがある選択肢に絞る。

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

正解は「事実に基づかないもっともらしい誤った内容を生成してしまう現象で、出力の事実確認が重要となる」である。ハルシネーションは、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った内容を生成してしまう現象を指す。モデルはもっともらしい文を生成する性質があるため、出力を鵜呑みにせず事実確認（ファクトチェック）を行うことが重要である。高解像度化・学習停止・指示無視のいずれとも異なる。問題文では、出力内容がもっともらしく見えることと、事実に基づかないことを一組で捉える。画像処理、学習中の不具合、指示への対応ではなく、生成された内容の事実性に関する現象を選ぶ。

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

正解は「生成AIは新しいデータ（文章・画像等）を作り出すことを得意とする」である。生成AI（ジェネレーティブAI）は、学習したデータの特徴をもとに新しい文章・画像・音声などを作り出すことを得意とする。分類や判別を主とする従来型のAIとは目的が異なる。学習なしで動作するわけでも、数値計算専用でもない。設問は生成と識別の違いを出力の役割で問うている。既存データの分類・判別か、新しい文章・画像等の生成かを対比すればよい。新しい内容を作る側が生成AIである。

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

正解は「生成器が本物らしいデータを作り、識別器が本物か偽物かを見分ける」である。GAN（敵対的生成ネットワーク）は、生成器（Generator）が本物らしい偽データを作り出し、識別器（Discriminator）が本物か偽物かを見分けるよう、両者を競い合わせて学習させる。役割を入れ替えた選択肢や、両者が分類のみを行うとする選択肢は誤り。生成器はデータを作る側、識別器は真偽を見分ける側と固定する。保存、学習率、パラメータ数の決定はこの2つの役割ではなく、両方を分類器として扱うとデータを生成する側がなくなる。

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

正解は「形態素解析」である。形態素解析は、文を意味を持つ最小の単位（形態素、おおむね単語に相当）に分割し、それぞれの品詞などを判定する処理で、日本語の自然言語処理の基礎となる。エッジ検出は画像処理、正規化は尺度をそろえる前処理、プーリングはCNNの処理であり、いずれも文を単語に分割する処理ではない。 入力媒体と成果物を見る。エッジ検出とプーリングは画像の輪郭抽出・特徴要約、正規化は尺度調整である。文を語の最小単位へ区切り、品詞や原形などを付与する自然言語処理は形態素解析である。

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

正解は「音声認識」である。音声認識は、人間の話した音声をテキスト（文字列）に変換する技術である。逆に、テキストから音声を作り出すのは音声合成である。物体検出は画像中の物体の位置とクラスを推定する技術、機械翻訳はある言語の文章を別の言語に変換する技術であり、いずれも音声を文字に変換する技術ではない。 変換の入力と出力を矢印で整理する。音声合成は文字から音声への逆方向、物体検出は画像から物体位置、機械翻訳はある言語の文字列から別言語の文字列へ変換する。音声から文字への変換は音声認識である。

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

正解は「方策勾配法」である。方策勾配法は、状態から行動を選ぶ方策そのものをパラメータで表現し、期待報酬が大きくなるようにそのパラメータを勾配法で直接更新していく強化学習の手法である。k-means法はクラスタリング、主成分分析は次元削減、誤差逆伝播法はニューラルネットワークの重みの勾配を計算する手法であり、いずれも方策を直接最適化する強化学習の手法ではない。 最適化する対象を確認する。k-meansはクラスタ中心、主成分分析は射影方向、誤差逆伝播法は一般にニューラルネットワークの損失勾配を計算する仕組みである。行動確率を表す方策そのものを期待報酬で更新するのが方策勾配法である。

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

正解は「BERT」である。BERTはTransformerを基盤とする自然言語処理モデルで、文脈に応じた単語表現を扱う。YOLOは物体検出、U-Netは画像のセグメンテーション、WaveNetは音声生成・音声処理に関係するモデルであり、自然言語処理のTransformer系モデルとして問われる場合の答えではない。 各モデルの媒体とタスクを照合する。YOLOは画像の物体検出、U-Netは画像領域分割、WaveNetは音声波形生成に関係する。双方向の文脈を使うTransformerエンコーダを事前学習した自然言語モデルはBERTである。

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

正解は「AlphaGo Zero」である。AlphaGo Zeroは自己対戦を通じて強化学習を進めた囲碁AIとして知られる。ELMoは自然言語処理の分散表現、Fast R-CNNは物体検出、Cycプロジェクトは知識ベース構築の取り組みであり、囲碁の強化学習システムではない。 固有名は分野と学習方法で対応させる。ELMoは文脈依存の単語表現、Fast R-CNNは物体検出、Cycは常識知識ベース構築である。自己対戦を通じて囲碁を強化学習したシステムはAlphaGo Zeroである。

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

正解は「物体検出」である。物体検出は、画像内に何があるかだけでなく、その位置をバウンディングボックスなどで推定するタスクである。画像認識は画像全体の分類を指すことが多い。機械翻訳は言語変換、音声合成はテキストなどから音声を作る技術であり、画像内の物体位置を推定するタスクではない。 画像タスクは出力粒度で区別する。画像認識は画像全体のクラスを返す場合が中心で、位置の枠を必須としない。機械翻訳と音声合成は言語・音声の変換である。物体ごとの種類と矩形位置を返すのが物体検出である。

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

正解は「word2vec」である。word2vecは単語を分散表現のベクトルとして扱う代表的な手法で、意味的な近さや関係がベクトル空間に表れやすい。形態素解析は文を単語などに分ける処理、FCNは画像のセグメンテーション、メル周波数ケプストラム係数は音声特徴量である。 成果物を比較する。形態素解析は文の分割と品詞付与、FCNは画像の画素分類、MFCCは音声特徴量である。語の共起から意味の近さや関係をベクトルへ反映し、ベクトル演算の例で説明されるのはword2vecである。

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

正解は「メル周波数ケプストラム係数」である。メル周波数ケプストラム係数は、音声信号から人間の聴覚特性を考慮した特徴を取り出す音声認識で使われる特徴量である。ViTとMask R-CNNは画像分野、seq2seqは系列変換モデルで自然言語処理などに使われ、音声特徴量そのものではない。 候補がモデルか特徴量かを分ける。ViTとMask R-CNNは画像モデル、seq2seqは系列から系列への変換モデルである。音声を短時間分析し、メル尺度のフィルタバンクとケプストラムで表すMFCCが音声認識の代表的特徴量である。

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

正解は「WaveNet」である。WaveNetは音声波形を扱うディープラーニングモデルとして知られ、音声生成や音声合成と関連する。YOLOは物体検出、BERTは自然言語処理、U-Netは画像のセグメンテーションでよく使われるモデルである。 候補を媒体とタスクで分ける。YOLOは画像の物体検出、BERTはTransformer系の自然言語モデル、U-Netは画像領域分割である。時間方向の音声波形サンプルを条件付きで順次生成するモデルはWaveNetである。

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

正解は「蒸留（distillation）」である。蒸留は、大きな教師モデルの出力や知識を利用して、より小さなモデルを学習させるモデル圧縮の考え方である。転移学習は別タスクの知識を活用する考え方、ファインチューニングは学習済みモデルを追加学習で調整する方法、ミニバッチ学習は小分けのデータで更新する方法である。 再利用するものと目的を分ける。転移学習は別タスクへの知識移転、ファインチューニングは学習済みモデル自体の追加調整、ミニバッチは更新時のデータ分割である。教師モデルの予測を教師信号にして小型モデルへ知識を写すのは蒸留である。

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

正解は「セマンティックセグメンテーション」である。セマンティックセグメンテーションは、画像の各画素にクラスを割り当て、領域を塗り分けるタスクである。物体検出は物体の位置とクラスを推定する。画像認識は画像全体の分類を指すことが多い。機械翻訳は言語を変換する技術である。 画像タスクは出力粒度で区別する。画像認識は画像全体のクラス、物体検出は物体ごとの矩形と種類を返す。各画素に意味カテゴリを割り当て同じクラスの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である。

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

正解は「形態素解析」である。形態素解析は、文章を単語や形態素などの単位に分割し、品詞などを解析する自然言語処理の基本処理である。機械翻訳は言語間の変換、分散表現は単語などをベクトルで表す方法、音声認識は音声を文字列に変換する技術である。 自然言語処理の工程を成果物で区別する。機械翻訳は別言語文、分散表現はベクトル、音声認識は音声から文字列を出す。文を言語上の最小単位へ区切り各単位へ品詞情報を付けるのは形態素解析である。活用形を原形へ戻す情報も後続処理の入力になる。

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

正解はDQN。行動価値（Q値）をニューラルネットワークで近似する深層強化学習の手法で、画面の画素を入力として多数のテレビゲームを人間並みにプレイできることを示した。GANは生成器と識別器を競わせて本物らしいデータを作る生成モデル、オートエンコーダは入力を圧縮・復元して特徴を学ぶネットワーク、word2vecは単語を分散表現に変換する手法で、いずれも行動価値を学習するDQNとは目的が異なる。 学習対象を照合する。オートエンコーダは入力復元、GANはデータ生成、word2vecは単語ベクトルを学習する。状態から各行動のQ値をニューラルネットワークで出力し方策選択に使うのはDQNである。

https://www.jdla.org/certificate/general/ （大項目6 ディープラーニングの応用例）