G検定 大項目6 ディープラーニングの応用例 予想問題（2/2）

正解は隠れマルコフモデル（HMM）。直接観測できない状態が確率的に遷移し、各状態から観測値が確率的に出力されると仮定する時系列モデルで、ディープラーニング普及以前から音声認識などで広く使われてきた。word2vecは単語を分散表現に変換する手法、WaveNetは音声を高品質に合成する深層生成モデル、seq2seqは系列を別の系列に変換するEncoder-Decoder構成で、いずれも隠れた状態遷移を確率的に扱うHMMとは異なる。 時系列モデルの構造を照合する。seq2seqはEncoder-Decoderの系列変換、word2vecは単語埋め込み、WaveNetは音声波形生成である。隠れ状態のマルコフ遷移確率と観測出力確率を持つのは隠れマルコフモデルである。

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Fast R-CNN。もとのR-CNNが領域候補ごとに個別に畳み込みを行って遅かったのに対し、画像全体を一度だけ畳み込んで特徴マップを作り、そこから各領域候補の特徴をまとめて取り出すことで大幅に高速化した。R-CNNは領域候補ごとに処理する初期の手法、YOLOは領域候補の段階を設けず画像を一度見て検出する一段階の手法、セマンティックセグメンテーションは画素ごとに種類を塗り分ける別のタスクで、いずれもFast R-CNNとは異なる。 R-CNN系列は畳み込みの共有範囲で区別する。R-CNNは領域候補ごとにCNN計算を繰り返す。Fast R-CNNは画像全体の畳み込みを一度だけ行い、共通特徴マップから各RoIを取り出す。YOLOは候補領域を別段階にしない一段階検出である。

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SSD。YOLOと同じく領域候補を絞り込む段階を設けない一段階の物体検出手法で、あらかじめ定めたさまざまな大きさや縦横比の枠（デフォルトボックス）を使って、一度の処理で物体の位置と種類を検出し高速に動作する。Faster R-CNNは領域提案ネットワークを備えた二段階の手法、Mask R-CNNは物体検出に領域の塗り分けを加えた手法、U-Netは医療画像などのセグメンテーションに使われる構造で、いずれも一段階検出のSSDとは異なる。 物体検出は候補領域を別段階で作るかを見る。Faster R-CNNとMask R-CNNは領域提案を用いる二段階系で、U-Netは画素領域分割である。特徴マップ上のデフォルトボックスからクラスと位置を一度に予測する一段階法はSSD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）

正解は画像生成。文章による指示（プロンプト）などをもとに、新しい画像を作り出す生成AIの機能で、拡散モデルなどが用いられる。物体検出は画像中の物体の位置と種類を見つけるタスク、セマンティックセグメンテーションは画素ごとに種類を塗り分けるタスク、音声認識は音声を文字に変換するタスクで、いずれも新たな画像を作り出す画像生成とは目的が異なる。 既存入力を分析するタスクと新規生成を区別する。音声認識は音声から文字、物体検出は画像から矩形、セマンティックセグメンテーションは画像から画素クラスを出す。テキスト条件から新規の画素内容を合成するのが画像生成である。

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「VGG」である。VGGは、非常に小さい3×3の畳み込みフィルタを繰り返し用い、重みを持つ層を16層から19層まで深くした構成を評価した画像認識モデルである。ResNetはスキップ結合で入力を後段へ加算し、深いネットワークを学習しやすくしたモデルである。GoogLeNetは異なる大きさの畳み込みやプーリングを並列に適用して結合するInception構造で知られる。YOLOは画像全体を一度に処理して物体の位置と種類を予測する物体検出手法である。3×3フィルタの反復と16〜19層という条件がVGGを識別する決め手になる。

https://arxiv.org/abs/1409.1556

この事例では「大規模テキストで学習し言語の生成・理解を行うか」を確認すると、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に絞れる。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/

この事例では「汎用学習の後に特定タスク向けの追加調整を行うか」を確認すると、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に絞れる。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/

この事例では「人間の選好フィードバックで出力を調整するか」を確認すると、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に絞れる。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）

この事例では「複数種類の情報を一つのモデルで扱うか」を確認すると、マルチモーダルに絞れる。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/

この事例では「生成してほしい内容をモデルへ伝える入力文か」を確認すると、プロンプトに絞れる。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/

この事例では「事前学習済みモデルを特定用途へ追加調整するか」を確認すると、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に絞れる。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/

この事例では「人間の好みや意図に出力を近づけるか」を確認すると、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に絞れる。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）

この事例では「画像とテキストという異なるモダリティを扱うか」を確認すると、マルチモーダルに絞れる。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/

この事例では「大量テキストと多数パラメータを持つ言語モデルか」を確認すると、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に絞れる。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/

この事例では「汎用知識の事前学習と特定用途の微調整か」を確認すると、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に絞れる。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/

この事例では「人間の評価へモデル出力を整合させるか」を確認すると、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に絞れる。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）

この事例では「音声・画像・文章を横断して扱うか」を確認すると、マルチモーダルに絞れる。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/