G検定 用語解説
BERT／GPTとは
Transformerベースの言語モデル。BERTは前後両方向、GPTは一方向（自己回帰）で学習する。
まず押さえる結論
BERT／GPTは、G検定の「大項目6 ディープラーニングの応用例」で確認しておきたい用語です。 定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
- 物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
- word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
- 強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / 画像認識・物体検出
画像認識の競技会ILSVRCにおいて、ディープラーニング（畳み込みニューラルネットワーク）を用いた手法で従来手法を大差で上回って優勝し、その後のディープラーニング隆盛のきっかけをつくったモデルはどれか。
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。
大項目6 ディープラーニングの応用例 / 画像認識・物体検出
画像中の各ピクセルがどのクラスに属するかを画素単位で分類し、同じクラスに属する物体どうしは個別に区別せずに領域を塗り分けるタスクはどれか。
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。
大項目6 ディープラーニングの応用例 / 画像認識・物体検出
物体検出において、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、高速な検出を実現する代表的な手法はどれか。
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。
同じ章で確認したい用語
到達チェック
- BERT／GPTを一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、BERT／GPTに関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる