第1回 問題集（全般）

正解: B. B. 人間の知的活動をコンピュータで模倣・実現する技術

正解の根拠・詳細解説

人工知能（AI）とは、人間の知的な活動（推論・学習・判断・言語理解など）をコンピュータ上で実現・模倣する技術・研究分野の総称です。Aの「感情を持つ」は現状のAIにはなく、Cは教師なし学習との混同です。なお、シラバスでは「AI効果」（AIで実現できた技術は当たり前になり、AIと見なされなくなる現象）もセットで頻出です。Dの量子コンピュータは計算基盤の話であり、AIの定義とは無関係です。

正解: C. C. 探索・推論による迷路や数学問題の解法

正解の根拠・詳細解説

第1次AIブームは1950〜60年代で、チェスや迷路のような特定問題を論理的探索・推論で解くアプローチが中心でした。エキスパートシステムは第2次ブーム、ディープラーニングは第3次ブームの特徴です。第1次ブームは「トイ・プロブレム（おもちゃの問題）しか解けない」という限界が露呈して冬の時代に入りました。3つのブームと2つの冬の時代の年表は、出来事との対応付きで頻出です。

正解: B. B. 専門家の知識をルールとして記述し、推論エンジンで問題を解くシステム

正解の根拠・詳細解説

エキスパートシステムは、「もし〜ならば〜」形式のIF-THENルールに専門家の知識を記述し、推論エンジンがそのルールを使って問題を解くシステムです。知識の獲得・更新のコストが高く「知識獲得のボトルネック」と呼ばれる課題がありました。代表例は血液感染症の診断支援を行ったMYCIN（マイシン）です。専門家の暗黙知をルール化しきれないこのボトルネックが第2次ブーム終焉の原因となった、という因果関係まで問われます。

正解: C. C. 深層学習モデルAlexNetが画像認識コンペILSVRC 2012で圧倒的な性能を示した

正解の根拠・詳細解説

2012年のILSVRC（ImageNet Large Scale Visual Recognition Challenge）でAlexNetが従来手法を大幅に上回る性能を示し、これが第3次AIブームの火付け役となりました。Watsonの勝利は2011年です。AlexNetを開発したのはジェフリー・ヒントンらのチームです。Aのディープ・ブルーのチェス勝利は1997年（探索ベース）、DのWatson勝利は2011年。「出来事と年代とブームの対応」は整理して覚えましょう。

正解: B. B. 機械が人間と区別できないほど知的な振る舞いができるかを判定する

正解の根拠・詳細解説

チューリングテストはアラン・チューリングが1950年に提案した概念で、人間の審判員が機械と人間を文字会話だけで区別できなければ、その機械は「知的」であるとみなすテストです。感情や計算速度は関係ありません。チューリングテストへの反論として、ジョン・サールの「中国語の部屋」（記号操作ができても意味を理解しているとは言えない）が対で出題されます。初期の対話プログラムELIZA（イライザ）も関連キーワードです。

正解: B. B. 「人工知能（Artificial Intelligence）」という用語が初めて使われた会議

正解の根拠・詳細解説

1956年のダートマス会議は、ジョン・マッカーシーらが開催した会議で「Artificial Intelligence（人工知能）」という名称・概念が初めて使われた場として知られています。AIという分野の誕生を象徴する出来事です。提唱者はジョン・マッカーシーで、マービン・ミンスキーやクロード・シャノンも参加しました。同会議ではニューウェルとサイモンによる世界初のAIプログラム「ロジック・セオリスト」のデモも行われています。

正解: C. C. 強いAIは汎用的な知性・自意識を持つAIで、弱いAIは特定タスクに特化したAI

正解の根拠・詳細解説

強いAI（Strong AI・汎用AI/AGI）は人間と同等以上の汎用的知性・自意識・感情を持つ仮説的なAIです。弱いAI（Weak AI）は現在の実用AIのように特定タスクに特化したもの（画像認識・音声認識等）を指します。この区分はジョン・サールによる哲学的な分類です。強いAIは汎用人工知能（AGI）とほぼ同義で語られ、現在実用化されているAIはすべて弱いAI（特化型AI）に分類されます。

正解: B. B. ヒューリスティック関数を用いて最短経路を効率よく探索する手法

正解の根拠・詳細解説

A\*（エースター）アルゴリズムは、コスト関数 f(n)=g(n)+h(n)（g:スタートからのコスト、h:ゴールまでのヒューリスティック推定）を使い、最小コストの経路を効率的に探索します。admissible（楽観的）なヒューリスティックを用いれば最適解を保証します。幅優先探索・深さ優先探索が総当たりに近いのに対し、A\*はゴールへの見込みコストh(n)で探索を絞り込む点が特徴です。ダイクストラ法はh(n)を使わないA\*の特殊ケースに相当します。

正解: B. B. AIが現実世界の無限の文脈・状況変化すべてを適切に推論するのが困難という問題

正解の根拠・詳細解説

フレーム問題は1969年にマッカーシーとヘイズが提起した概念で、「ある行動を行ったとき変化しないものを膨大な世界の知識から効率的に推論するのが困難」という問題です。現実世界のAI応用における根本的な難しさを示します。哲学者ダニエル・デネットの「爆弾とロボット」の例え話とともに出題されます。記号と実世界の意味の結び付けが困難という「シンボルグラウンディング問題」（記号接地問題）とセットで覚えましょう。

正解: B. B. 将棋・チェスに特化した対戦AIや画像認識システム

正解の根拠・詳細解説

特化型AI（Narrow AI）は特定のタスクだけを高精度に実行するAIで、AlphaGo（囲碁）、ChatGPT（テキスト生成）、画像認識モデルなどが該当します。汎用AI（AGI）はまだ実現していない概念です。AlphaGoは2016年に囲碁で世界トップ棋士イ・セドルに勝利した特化型AIの代表例です。「特化型AIがどれだけ高性能でも汎用AI（AGI）ではない」という区別が出題の狙い所です。

正解: A. A. 深層学習は機械学習の一部であり、ニューラルネットワークを多層化した手法

正解の根拠・詳細解説

AIの大分類の中に機械学習があり、機械学習の中に深層学習（ディープラーニング）があります。深層学習は多層ニューラルネットワークを用いた機械学習の一手法です。ルールベースと機械学習の対比はAIの上位概念での話です。「AI ⊃ 機械学習 ⊃ 深層学習」という包含関係の図は超頻出です。深層学習の本質的な強みは、人手の特徴量設計なしにデータから特徴表現を自動獲得できる点（表現学習）にあります。

正解: B. B. フランク・ローゼンブラット

正解の根拠・詳細解説

パーセプトロンは1958年にフランク・ローゼンブラットが発表した、入力に重みを掛けて総和を取り、しきい値を超えるかどうかで0か1を出力する最も初期のニューラルネットワークモデルです。誤って分類したときだけ重みを入力の方向へ修正するという学習則を持ち、機械が経験からパターンを学ぶという発想を実際に動く形にした点に歴史的な意義があります。しかし単層のパーセプトロンは入力空間を1本の直線（一般には超平面）でしか区切れないため、排他的論理和のような線形分離できない問題は原理的に解けません。この限界をミンスキーとパパートが1969年に指摘したことで研究への期待が急速に冷え、第1次のブーム終息につながりました。その後、中間層を持つ多層構造と、出力の誤差を層をさかのぼって各重みに配分する誤差逆伝播法の普及によって克服され、深層学習へと発展します。チューリングはチューリングテスト、ヒントンは誤差逆伝播法の普及や深層学習の発展で知られる別の人物です。

正解: B. B. 正解ラベル付きデータを使って入力と出力の対応を学習する方法

正解の根拠・詳細解説

教師あり学習（Supervised Learning）は、入力データと正解ラベル（教師信号）のペアを使ってモデルを学習する手法です。回帰・分類問題が代表例です。AはKmeansなど教師なし学習、CはQ-learningなど強化学習の説明です。教師あり学習はさらに、連続値を予測する「回帰」（住宅価格予測など）と、離散ラベルを予測する「分類」（スパム判定など）に分かれます。この回帰と分類の区別も単独で出題されます。

正解: C. C. k-meansクラスタリング

正解の根拠・詳細解説

k-meansクラスタリングは、データをk個のクラスターに分類する教師なし学習の代表例です。正解ラベルを必要とせず、データの構造・グループを自動発見します。線形回帰・SVM・ロジスティック回帰はいずれも教師あり学習です。教師なし学習には他に階層的クラスタリング、主成分分析(PCA)、t-SNEなどがあります。k-meansはクラスタ数kを人間が事前に指定する必要があり、エルボー法などでkを選びます。

正解: B. B. エージェントの行動が正しい方向かどうかを評価するフィードバック信号

正解の根拠・詳細解説

強化学習（Reinforcement Learning）では、エージェントが環境に対してアクションを取り、その結果として得る報酬（Reward）を最大化するよう方策を学習します。報酬は即時フィードバックであり、学習の方向を示す信号です。強化学習の基本用語セット（エージェント・環境・状態・行動・報酬・方策）はまとめて頻出です。即時報酬だけでなく将来の累積報酬を最大化する点が特徴で、Q学習やDQNが代表的手法です。

正解: B. B. 訓練データには高精度だが、未知のテストデータに対して精度が低い状態

正解の根拠・詳細解説

過学習（Overfitting）はモデルが訓練データのノイズや特定パターンまで覚えすぎ、汎化能力を失った状態です。訓練精度は高いが検証・テスト精度が低くなります。Aはデータ不足、Cは未学習（Underfitting）の説明です。過学習への対策（正則化・ドロップアウト・データ拡張・早期終了・データ量を増やす）はセットで問われます。訓練誤差と検証誤差の乖離が過学習のサイン、という学習曲線の読み取りも出題されます。

正解: B. B. L1は重みをスパース（0に近い値を多数）にする傾向があり、L2は全体の重みを小さくする

正解の根拠・詳細解説

L1正則化は損失関数に|w|（絶対値和）を加え、一部の重みを完全に0にしてスパースなモデルを作ります（特徴選択効果）。L2正則化は|w|²（二乗和）を加え、全重みを均等に小さくします（スムーズな解）。両者を組み合わせたElastic Netもあります。「L1＝ラッソ＝スパース化・特徴選択」「L2＝リッジ＝重み全体を滑らかに縮小」という対応の暗記が最短の得点ルートです。

正解: C. C. データをk分割しk回学習・評価を繰り返してモデルの汎化性能を安定的に推定する

正解の根拠・詳細解説

k分割交差検証は、データをk等分し、そのうち1つをバリデーション、残り(k-1)を訓練に使うことをk回繰り返します。k個の評価スコアの平均で汎化性能を推定し、データ不足時でも安定した評価ができます。k=データ数とした極端な場合は1個抜き交差検証（LOOCV）と呼ばれます。クラス比率を保ったまま分割する層化k分割交差検証も、不均衡データの文脈でよく問われます。

正解: C. C. 実際は陰性なのに、モデルが陽性と誤って予測した

正解の根拠・詳細解説

偽陽性（FP：False Positive、第一種過誤）は、真のラベルが「陰性」であるのに、モデルが「陽性」と予測してしまったケースです。医療診断では「病気でない人を病気と誤診する」に相当します。統計学の用語では偽陽性が第一種の過誤（α過誤）、偽陰性が第二種の過誤（β過誤）です。混同行列の4マス（TP・FP・FN・TN）の位置関係は必ず書けるようにしておきましょう。

正解: B. B. TP / (TP + FN)

正解の根拠・詳細解説

再現率（Recall・感度）= TP/(TP+FN)です。「実際に陽性であるもののうち、モデルが陽性と正しく予測できた割合」で、病気の見逃しを最小化したい医療診断などで重視されます。AはPrecision（適合率）、DはF1スコアです。適合率(Precision)と再現率はトレードオフの関係にあり、両者の調和平均がF値です。「見逃しが致命的な病気検査は再現率重視、誤検知を減らしたいスパム判定は適合率重視」という使い分け例で覚えると確実です。

正解: B. B. AUCが1に近いほど良いモデルで、0.5はランダム分類と同等

正解の根拠・詳細解説

AUCは0から1の値を取り、1.0は完璧な分類器、0.5はランダムな分類器を示します。ROC曲線は偽陽性率（FPR）対真陽性率（TPR）をプロットしたもので、AUCはその曲線の下の面積です。AUCが高いほど分類性能が高い。クラスが極端に不均衡なデータではROC-AUCが楽観的になりやすく、PR曲線（適合率-再現率曲線）の方が実態を反映します。この使い分けも近年のシラバスで問われるポイントです。

正解: B. B. 予測値と実際値の差の二乗和を最小化してパラメータを求める手法

正解の根拠・詳細解説

最小二乗法は、残差（実際値−予測値）の二乗和（RSS）を最小化することで回帰直線のパラメータ（傾きと切片）を求める手法です。Aは最小絶対値法（LAD回帰）の説明です。重回帰分析では説明変数同士の強い相関（多重共線性、マルチコ）が係数推定を不安定にする問題も頻出です。決定係数R²がモデルの当てはまりの評価指標として使われます。

正解: B. B. 異なるクラスのデータ点と決定境界の最小距離（マージン）を最大化する分類器を求める

正解の根拠・詳細解説

SVMはクラス間の余裕（マージン）が最大になるような決定境界（超平面）を探す手法です。汎化性能が高く、カーネル法（RBFカーネル等）を使えば非線形分離も可能です。非線形分離を可能にする「カーネルトリック」（データを高次元空間に写像したのと同じ効果を内積計算だけで得る）と、誤分類をある程度許容する「ソフトマージン」がSVMの頻出キーワードです。

正解: B. B. 木を浅く/単純にして過学習を防ぎ汎化性能を向上させる

正解の根拠・詳細解説

決定木は深くなると訓練データに過学習します。剪定（Pruning）は不要な枝を取り除き（事前剪定/事後剪定）、木を単純にして汎化性能を高める手法です。決定木の分岐基準には情報利得（エントロピーの減少量）やジニ不純度が使われます。決定木は結果の解釈がしやすい（ホワイトボックス）という長所も対比で問われます。

正解: A. A. 複数の決定木をバギング（Bagging）で学習し、多数決で予測する手法

正解の根拠・詳細解説

ランダムフォレストはバギング（ブートストラップサンプリング）と特徴量のランダム選択を組み合わせて多数の決定木を学習し、分類では多数決・回帰では平均で予測するアンサンブル手法です。Bはグラジエントブースティング（XGBoost等）の説明です。「バギング＝並列に独立学習して集約」「ブースティング＝逐次的に誤差を修正」というアンサンブルの2大方式の対比は超頻出です。ランダムフォレストは特徴量重要度を算出できる点も実務で重宝されます。

正解: B. B. 決定境界が滑らかになり、汎化性能が上がりやすい

正解の根拠・詳細解説

k-NNではkが小さいと個々のデータ点に敏感（過学習リスク）、kが大きいと決定境界が滑らかになり汎化しやすくなります（ただしkが大きすぎると境界が鈍くなる）。計算コストは推論時に全データとの距離計算が必要なため、kに関わらず高い。k-NNは訓練フェーズを持たず推論時に計算する「怠惰学習」です。距離ベースの手法のため特徴量のスケーリングが必須で、次元の呪いの影響を受けやすい点も併せて問われます。

正解: B. B. データの分散が最大となる方向（主成分）を見つけて次元を削減する

正解の根拠・詳細解説

PCA（Principal Component Analysis）はデータの分散を最大化する直交な軸（主成分）を見つけ、高次元データを低次元に圧縮する教師なし学習の手法です。可視化・ノイズ除去・特徴抽出に広く使われます。各主成分がデータ全体の分散をどれだけ説明するかを寄与率と呼び、累積寄与率（例：80%以上）で採用する主成分数を決めます。非線形の可視化にはt-SNEやUMAPが使われる、という対比も出ます。

正解: B. B. モデルの単純すぎによる誤差（バイアス）と複雑すぎによる過学習（バリアンス）はトレードオフの関係にある

正解の根拠・詳細解説

バイアスはモデルが単純すぎて正解に体系的にはずれる誤差、バリアンスはデータの変動に過敏になる誤差です。モデルを複雑にするとバイアスは下がりバリアンスが上がります（過学習）。この関係をバイアス-バリアンストレードオフと言います。学習曲線での診断方法（訓練・検証とも精度が低い→高バイアス＝未学習、訓練は高精度だが検証と乖離→高バリアンス＝過学習）とセットで理解すると応用問題にも対応できます。

正解: B. B. 前のモデルの残差（誤差）を次のモデルが学習するよう逐次的にモデルを追加する

正解の根拠・詳細解説

勾配ブースティングは弱学習器（通常決定木）を逐次的に追加し、各モデルが前モデルの残差（誤差）を学習します。XGBoost・LightGBM・CatBoostが代表例で、表形式データで高い精度を発揮します。XGBoost・LightGBMはKaggleなどのコンペで表形式データの定番手法です。逐次学習のため並列化しにくいという弱点と、学習率を小さくして木の本数を増やすと精度が安定するという性質も知られています。

正解: B. B. ドメイン知識を活かして機械学習に有用な入力特徴量を作成・変換する手法

正解の根拠・詳細解説

特徴量エンジニアリングは、生データからモデルの学習に役立つ特徴量を人手で設計・変換・選択する作業です。深層学習は特徴量を自動学習しますが、従来の機械学習では人手での特徴設計が精度に大きく影響します。具体例として、カテゴリ変数のone-hotエンコーディング、数値のビニング（区間分割）、対数変換、日付からの曜日抽出などがあります。深層学習の表現学習との対比で問われるのがG検定の定番パターンです。

正解: B. B. クラス不均衡問題（少数クラスが少ない）に対処するためのデータ調整手法

正解の根拠・詳細解説

クラス不均衡（例：詐欺検知で詐欺99%、正常1%）に対し、多数クラスを減らす（アンダーサンプリング）や少数クラスを増やす（オーバーサンプリング・SMOTE等）ことで、少数クラスの学習を改善します。不均衡データでは正解率(Accuracy)が当てにならない（全件を多数クラスと予測するだけで99%になる）ため、評価指標もF値やAUCに切り替える必要がある、という論点とセットで出題されます。

正解: B. B. データのスケールを揃えるために特定の範囲（例：0〜1）に変換する処理

正解の根拠・詳細解説

正規化はデータを[0,1]や[-1,1]などの特定範囲に変換します（Min-Max正規化等）。スケールの異なる特徴量が混在する際に、スケールの大きい特徴量が学習を支配するのを防ぎます。Aは欠損値補完、Cは外れ値処理、Dはエンコーディング。平均0・分散1に変換する「標準化(Standardization)」との区別が頻出です。正規化は最小値・最大値が既知で外れ値が少ない場合、標準化は外れ値がある場合や正規分布に近い場合に向きます。

正解: A. A. データを訓練・検証・テストの3分割に固定して評価する方法

正解の根拠・詳細解説

ホールドアウト法はデータを一度だけ訓練/検証/テストセットに分割して評価する最もシンプルな手法です。単純ですがデータ分割の仕方に結果が依存するため、データ量が少ない場合はk分割交差検証の方が安定します。データが十分に大きい場合は計算コストの低いホールドアウト法で足り、データが少ない場合はk分割交差検証で評価を安定させる、という使い分けの判断も問われます。

正解: B. B. 特徴量の次元数が増えると必要なデータ量が指数的に増加し、データが疎になる問題

正解の根拠・詳細解説

次元の呪いは「次元数が増えるほど空間が指数的に大きくなり、同じデータ密度を保つためにデータ量が指数的に必要になる」問題です。k-NNのような距離ベース手法でも次元増加で性能が低下します。PCAなどの次元削減が対策の一つです。対策は次元削減（PCA・オートエンコーダー）・特徴選択・正則化です。「高次元では全データ点間の距離がほぼ等しくなり距離ベース手法が機能しにくくなる」という現象の説明としても出題されます。

正解: B. B. 複数の基底モデルの予測値を入力として、メタモデルが最終予測を行う手法

正解の根拠・詳細解説

スタッキングは第1層の複数モデル（基底モデル）の予測値を特徴量として、第2層のメタモデルが最終予測を行います。バギング（A）・ブースティング（C）・バギングの変形（D）とは異なるアンサンブル手法です。メタモデルの学習にはリーク（カンニング）を防ぐためout-of-fold予測（交差検証で作った未見データへの予測値）を使うのが定石です。バギング・ブースティング・スタッキングの3方式は必ず区別できるようにしましょう。

正解: B. B. 少数クラスの既存データ点間を補間して合成サンプルを作成するオーバーサンプリング手法

正解の根拠・詳細解説

SMOTEは不均衡データ対策のオーバーサンプリング手法で、少数クラスのある点を選び、その点に近いk個の少数クラスの近傍点から1つを取り、2点を結ぶ線分上の任意の位置に新しい点を作ります。単純に既存データを複製する方法では同じ座標に点が重なるだけなので、決定境界がその点に張り付いて過学習しやすくなります。これに対しSMOTEは元データには存在しない中間的な点を作るため、少数クラスの占める領域が滑らかに広がり、汎化しやすいモデルが得られます。一方で弱点もあり、少数クラスの点の近くに多数クラスの点が混在している領域では、合成された点が多数クラスの領域に食い込み、境界をあいまいにするノイズとして働きます。これを補うため、境界付近を重点的に合成するBorderline-SMOTEや、生成後に紛らわしい点を除くアンダーサンプリングとの併用が使われます。多数クラスを減らすのはアンダーサンプリング、誤分類のコストを調整するのはコスト考慮型の学習であり、どちらもSMOTEとは異なる考え方です。

正解: B. B. ネットワークに非線形性を加え、複雑なパターンを学習できるようにする

正解の根拠・詳細解説

活性化関数（Activation Function）は、ニューラルネットワークの各ノードの出力に非線形変換を加えます。これがないとどれだけ層を重ねても線形変換の組み合わせにしかならず、複雑な関数を表現できません。ReLU・Sigmoid・tanhが代表例です。代表的な活性化関数の使い分け（隠れ層＝ReLU系、二値分類の出力層＝シグモイド、多クラス分類の出力層＝ソフトマックス）は表にして覚えると、複数の問題に横断的に対応できます。

正解: A. A. 入力値が0以下なら0、0より大きければその値をそのまま出力する関数

正解の根拠・詳細解説

ReLU関数は f(x) = max(0, x) と定義されます。入力が正なら線形に通し、負なら0にします。計算が単純でSigmoidと異なり勾配消失問題が起きにくく、深いネットワークの訓練に広く使われています。ReLUには負の入力で勾配が0になりニューロンが学習しなくなる「dying ReLU」問題があり、負側にわずかな傾きを持たせたLeaky ReLUやPReLUが改良版として出題されます。

正解: B. B. 深いネットワークで誤差逆伝播時に層をさかのぼるにつれ勾配が非常に小さくなり、初期層が学習されなくなる問題

正解の根拠・詳細解説

勾配消失はシグモイド等の活性化関数で誤差逆伝播時に勾配が小さくなり、層を重ねるほど初期層の勾配がほぼ0になる問題です。ReLU・BatchNorm・残差接続（ResNet）・LSTMなどがこの問題への対策です。「勾配消失の対策を選べ」という形式で頻出です：ReLU系活性化関数・バッチ正規化・残差接続(ResNet)・LSTM（系列方向）・適切な重み初期化。逆に勾配が大きくなりすぎる勾配爆発には勾配クリッピングで対処します。

正解: B. B. 連鎖律を使って損失関数の各パラメータに対する勾配を出力層から入力層に向かって計算する手法

正解の根拠・詳細解説

バックプロパゲーション（逆伝播）は微積分の連鎖律を利用して、損失関数の偏微分（勾配）を出力層→隠れ層→入力層の順に効率的に計算する手法です。フォワードパスで予測、バックワードパスで勾配計算が基本の流れです。誤差逆伝播法は1986年にラメルハート、ヒントンらの論文で広く知られるようになりました。現代のフレームワーク（PyTorch・TensorFlow）はこれを自動微分として実装しています。

正解: B. B. 全訓練データではなく、ランダムに選んだ1件（またはミニバッチ）のサンプルで勾配を計算する

正解の根拠・詳細解説

通常の勾配降下法は全データの勾配平均を使いますが、SGDはランダムに1件（またはミニバッチ）を使って勾配を近似します。計算が高速で大規模データに対応でき、ノイズによりローカルミニマムを脱出しやすい利点があります。エポックごとにデータをシャッフルする理由（学習の偏り防止）や、ミニバッチSGDが現在の標準である点も押さえましょう。勾配のノイズが局所解からの脱出を助けるという利点は直感に反するため出題されやすいです。

正解: B. B. モーメンタム（過去の勾配の指数移動平均）と適応的学習率を組み合わせた最適化手法

正解の根拠・詳細解説

Adam（Adaptive Moment Estimation）は1次モーメント（勾配の平均）と2次モーメント（勾配の二乗の平均）を追跡し、パラメータごとに適応的な学習率を計算します。SGD with MomentumとRMSpropの利点を組み合わせた手法です。「SGD＋モーメンタム」「RMSprop」「Adam」の系譜として整理すると覚えやすいです。Adamは多くの場合デフォルトの選択肢ですが、最終精度ではSGD＋モーメンタムが勝る場合もあると報告されています。

正解: B. B. 訓練時にランダムにニューロンを無効化し、アンサンブル効果で過学習を防ぐ正則化手法

正解の根拠・詳細解説

ドロップアウトは訓練時に確率p（例:0.5）でランダムにノードを無効化します。各更新で異なるサブネットワークを学習し、テスト時は全ノードを使うことでアンサンブル効果が得られ、過学習を防ぎます。ドロップアウト率は0.2〜0.5程度が一般的です。「訓練時のみ適用し、推論時は全ニューロンを使う」という訓練・推論時の挙動の違いがひっかけとして問われます。

正解: B. B. 各ミニバッチ内でアクティベーションの平均を0・分散を1に正規化し、学習を安定・高速化する手法

正解の根拠・詳細解説

バッチ正規化はミニバッチ単位で各層の出力を正規化（μ=0、σ=1）し、その後学習可能なスケール・シフトパラメータを適用します。内部共変量シフトを低減し、学習を安定させ、高い学習率が使えるようになります。バッチ正規化には学習の安定化・高速化に加えて軽い正則化効果もあります。バッチサイズが小さいと統計量が不安定になるため、レイヤー正規化（Transformerで採用）などの代替手法が使われる点も出題されます。

正解: B. B. フィルター（カーネル）を入力特徴マップ上でスライドさせ、局所的な特徴（エッジ・テクスチャ等）を検出する層

正解の根拠・詳細解説

畳み込み層では固定サイズのフィルターが入力上をスライドし、局所受容野内の内積（畳み込み演算）を計算します。画像の平行移動に対する不変性（局所的な特徴の検出）と、パラメータ共有による効率性が特徴です。畳み込み層の主要ハイパーパラメータ（フィルターサイズ・ストライド・パディング）と、出力サイズの関係も計算問題として出題されます。パラメータ共有により全結合層より劇的にパラメータ数が少ない点が本質です。

正解: B. B. 局所領域の最大値を取り、特徴マップの空間サイズを縮小して位置に対するロバスト性を高める層

正解の根拠・詳細解説

最大プーリングは設定した窓（例:2×2）内の最大値を取り出し、特徴マップの空間解像度を削減します。計算量の削減・位置ずれへのロバスト性向上・過学習防止の効果があります。Average Poolingは平均を取ります。プーリング層には学習パラメータがない点がひっかけとして頻出です。近年は全結合層の代わりにGlobal Average Pooling（GAP）を使いパラメータを削減する設計も定番となっています。

正解: B. B. 入力をいくつかの層を飛び越えて出力に直接加算することで、勾配消失を防ぎ超深層ネットワークの学習を可能にする

正解の根拠・詳細解説

ResNetの残差ブロックは F(x) + x（スキップ接続）を学習します。x（恒等写像）が直接加算されるため逆伝播時に勾配が消失しにくくなり、100層以上の超深層ネットワークの学習を可能にしました（ImageNetで優勝、2015年）。ILSVRC優勝モデルの系譜（AlexNet 2012→VGG・GoogLeNet 2014→ResNet 2015）は年代とセットで頻出です。ResNetは人間の画像認識エラー率(約5%)を下回ったことでも知られます。

正解: B. B. 前の時刻の隠れ状態を次の時刻の入力として用い、系列データの文脈・順序情報を保持できる

正解の根拠・詳細解説

RNNは隠れ状態 h\_t = f(W\_h × h\_{t-1} + W\_x × x\_t) により前の時刻の情報を引き継ぎます。テキスト・時系列・音声など系列データの処理に適していますが、長期依存性の学習が難しく（勾配消失）、LSTMが対策として開発されました。RNNの弱点は長い系列で初期の情報が薄れる長期依存性の問題（勾配消失）と、逐次処理のため並列化できず学習が遅い点です。この2つの弱点がLSTMとTransformer誕生の背景として問われます。

正解: B. B. セル状態とゲート機構（入力・忘却・出力ゲート）で長期情報と短期情報を適切に管理する

正解の根拠・詳細解説

LSTMはセル状態（長期記憶）をゲート（入力・忘却・出力）で制御します。忘却ゲートが不要な情報を消去し、入力ゲートが新情報を追加し、出力ゲートが次の隠れ状態を生成します。このゲート機構により長期依存性を学習できます。LSTMの簡略版としてゲートを2つ（更新・リセット）に減らしたGRUがあり、パラメータが少なく学習が速い代替手法として対で出題されます。「忘却ゲートがセル状態から不要情報を消す」という役割分担が核心です。

正解: B. B. エンコーダーRNNが入力系列を固定長ベクトルに圧縮し、デコーダーRNNがそこから出力系列を生成するモデル

正解の根拠・詳細解説

Seq2Seqはエンコーダー（入力系列→コンテキストベクトル）とデコーダー（コンテキストベクトル→出力系列）で構成されます。機械翻訳・要約・対話システムに使われますが、長い系列でコンテキストベクトルのボトルネックが問題になり、アテンション機構が開発されました。Seq2Seqの「入力全体を1つの固定長ベクトルに押し込むため長文で情報が失われる」というボトルネックは、アテンション機構誕生の動機として必ずセットで問われます。

正解: B. B. デコーダーが各出力トークンを生成する際に、エンコーダーの全ステップの出力を加重平均して参照する機構

正解の根拠・詳細解説

アテンション機構はデコーダーの各ステップでエンコーダーの全ステップの出力に対するスコア（類似度）を計算し、ソフトマックスで正規化した重みでエンコーダー出力の加重和を求めます。長距離依存性の学習とSeq2Seqのボトルネック解消に貢献しました。アテンションの重みを可視化すると「翻訳時にどの入力単語を参照したか」が分かるため、モデルの解釈可能性の向上にも寄与します。Transformerはこの機構だけで系列を処理する発展形です。

正解: B. B. 同じ系列内の各トークンが他のトークンとの関連性を計算し、文脈を考慮した表現を生成する機構

正解の根拠・詳細解説

Self-Attentionは Query・Key・Value の3つの行列を使い、同一系列内のトークン間の関連度スコアを計算します。「彼はリンゴを食べた。それは美味しかった」の「それ」が「リンゴ」を参照する、といった文脈関係を並列に捉えられます。Query・Key・Valueの3行列による計算の流れ（QとKの内積でスコア→ソフトマックスで正規化→Vの加重和）は、単語を入れ替えた誤答が作りやすいため正確に覚えましょう。複数の注意を並列に行うMulti-Head Attentionも頻出です。

正解: B. B. Self-Attentionは順序情報を持たないため、トークンの位置情報を明示的に与える必要があるため

正解の根拠・詳細解説

Self-Attentionは全トークン間を並列に計算するため、本質的に順序情報を持ちません。位置エンコーディングは各トークンの系列内位置をsinusoidal関数や学習可能なベクトルで表現し、埋め込みベクトルに加算して位置情報を与えます。「Transformerは再帰も畳み込みも使わないため、順序情報を別途注入する必要がある」という因果関係の理解が問われます。原論文ではsin・cos関数による固定エンコーディングが使われました。

正解: B. B. マスク言語モデルと次文予測で事前学習され、文脈を双方向で理解する言語モデル

正解の根拠・詳細解説

BERTはMLM（マスクトークン予測）とNSP（次文予測）タスクで事前学習された双方向Transformerエンコーダーです。「[MASK]」の前後両方の文脈を利用して予測するため、GPT系の一方向モデルより文脈理解が深く、テキスト分類・質問応答・固有表現認識に強みがあります。BERTは「エンコーダーのみ」、GPTは「デコーダーのみ」を使うという構造の対比が超頻出です。BERTの登場（2018年）により、事前学習＋ファインチューニングというNLPの標準パラダイムが確立しました。

正解: B. B. 左から右への自己回帰的テキスト生成で事前学習されたTransformerデコーダーモデル

正解の根拠・詳細解説

GPTはTransformerデコーダーを使い、前のトークンから次のトークンを予測する自己回帰言語モデルです。大規模テキストで事前学習後、少量データでファインチューニング（GPT-1/2）またはプロンプトだけで多タスク対応（GPT-3/4）します。ChatGPTの基盤です。GPT-3（2020年、1750億パラメータ）は、パラメータ数の増大で性能が向上し続ける「スケーリング則」と、例示だけでタスクに適応する「in-context learning」を実証した点が試験でも重要です。

正解: B. B. 大規模データで事前学習済みのモデルを別のタスク・ドメインに流用して再学習する手法

正解の根拠・詳細解説

転移学習は事前学習済みモデル（ImageNet学習済みCNNやBERT等）の知識を新しいタスクに転用します。ファインチューニング（全層再学習）と特徴抽出（上位層のみ学習）が主な手法です。少ないラベル付きデータで高精度が達成できます。「学習済みモデルの下位層（汎用的な特徴）を凍結し、上位層のみ再学習する」という典型的な手順が問われます。データが少ない・計算資源が限られる場合に特に有効です。

正解: B. B. 事前学習済みモデルを対象タスクのデータで追加学習し、パラメータを微調整する

正解の根拠・詳細解説

ファインチューニングは事前学習済みモデルのパラメータを初期値として、対象タスクの少量ラベル付きデータで全体（またはヘッド部分）を再学習します。転移学習の一形態で、BERTをテキスト分類に適用する場合などが代表例です。転移学習と混同させる出題が定番です。広義には転移学習の一手法がファインチューニングで、「凍結して特徴抽出器として使う」か「重みを微調整するか」の違いを説明できるようにしておきましょう。

正解: A. A. 入力を圧縮表現（潜在空間）にエンコードし、そこから元の入力を再構成することを学習するネットワーク

正解の根拠・詳細解説

オートエンコーダーはエンコーダー（入力→潜在表現z）とデコーダー（z→再構成入力）で構成されます。正解ラベルなしで次元削減・特徴抽出・異常検知に使われます。VAE（変分オートエンコーダー）は生成モデルに発展させたものです。砂時計型の構造（中間の潜在表現が入力より低次元）がポイントです。正常データのみで学習し、再構成誤差が大きい入力を異常と判定する「異常検知」への応用が実務・試験の両方で頻出です。

正解: A. A. 生成器（Generator）と識別器（Discriminator）が競い合いながら学習する生成モデル

正解の根拠・詳細解説

GANは生成器G（ノイズから偽データを生成）と識別器D（本物と偽物を区別）が対抗する二人ゲームとして学習します。Gは「本物らしく」、DはGを見破ろうと競争し、均衡（Nash均衡）に達すると高品質な生成が可能になります。GANの学習は不安定になりやすく、生成器が同じようなデータばかり作る「モード崩壊」が代表的な失敗です。DCGAN（畳み込み版）・CycleGAN（スタイル変換）・StyleGAN（高解像度顔画像）などの発展形の名前も問われます。

正解: B. B. 潜在空間を確率分布（平均と分散）でモデル化し、確率的サンプリングで新しいデータを生成できる

正解の根拠・詳細解説

VAEは潜在変数zを固定の点ではなくガウス分布（μ, σ²）としてモデル化します。再パラメータ化トリックでサンプリングを可能にし、KLダイバージェンスを損失に加えることで連続的な潜在空間を学習します。新しいzをサンプリングして新規データを生成できます。GANとVAEの対比（GAN＝敵対的学習で高品質だが学習不安定、VAE＝尤度ベースで安定だがぼやけやすい）は生成モデルの定番論点です。現在はその両方の弱点を改善した拡散モデルが主流になっています。

正解: C. C. 学習率・バッチサイズ・層数・ニューロン数・ドロップアウト率など、学習前に人間が設定する値

正解の根拠・詳細解説

ハイパーパラメータは学習アルゴリズムの制御パラメータで、訓練前に設定し学習で自動更新されません（学習率η、バッチサイズ、エポック数、ドロップアウト率p、正則化係数λ、層数・ユニット数など）。重みとバイアスはモデルパラメータ（学習で更新）です。ハイパーパラメータの探索手法（グリッドサーチ・ランダムサーチ・ベイズ最適化）もセットで頻出です。「モデルパラメータ（重み・バイアス）＝学習で自動更新」「ハイパーパラメータ＝人間が事前設定」の区別が全ての基本です。

正解: B. B. 全データを複数の小さなグループ（ミニバッチ）に分割し、各バッチで勾配を計算してパラメータを更新する手法

正解の根拠・詳細解説

ミニバッチ学習は全データ勾配降下（安定だが遅い）と確率的勾配降下（高速だが不安定）のトレードオフを取ります。典型的なバッチサイズは32〜256で、GPU並列化と安定した勾配推定を両立します。現在の深層学習の標準的な学習方式です。バッチサイズが大きいと勾配推定が安定しGPU効率も良い一方、汎化性能が下がる場合があります。バッチサイズと学習率は相互に影響するためセットで調整する、という実務的な感覚も問われ始めています。

正解: B. B. 訓練データセット全体を1回学習に使用するサイクル

正解の根拠・詳細解説

1エポックは訓練データ全体を1周することです。データ数10,000でバッチサイズ100の場合、1エポックは100ステップ（イテレーション）です。通常、十分な学習には複数エポック（10〜数百）が必要で、早期終了（Early Stopping）でエポック数を制御します。エポック・イテレーション・バッチサイズの関係を計算させる問題が定番です（例：データ10,000件・バッチサイズ100なら1エポック＝100イテレーション）。数値を変えた計算問題に対応できるようにしましょう。

正解: B. B. 検証データの損失が改善しなくなった時点で学習を停止し、過学習を防ぐ

正解の根拠・詳細解説

Early Stoppingは検証損失（Validation Loss）を監視し、一定エポック（patience）改善しなくなった時点で訓練を止める手法です。過学習し始めると訓練損失は下がり続けるが検証損失が上昇するため、最良検証損失時のモデルを保存します。「訓練損失は下がり続けるのに検証損失が上がり始めるポイント＝過学習の開始点」というグラフの読み取りとセットで出題されます。patience（何エポック待つか）という用語も覚えておきましょう。

正解: B. B. 全ゼロ初期化では対称性の破れが起きず全ニューロンが同じものを学習するため、ランダム初期化が必要

正解の根拠・詳細解説

全ゼロ初期化では全ニューロンが完全に同じ勾配を受けて同じものしか学習できません（対称性問題）。Xavierや He初期化（ReLU向け）など適切なランダム初期化で対称性を破り、勾配消失・爆発を防ぎながら多様な特徴を学習できます。「シグモイド・tanh向け＝Xavier（Glorot）の初期値」「ReLU向け＝He（ヘー）の初期値」という活性化関数との対応が問われます。全ゼロ初期化がなぜダメか（対称性が破れない）を説明できることが重要です。

正解: B. B. 画像をパッチに分割してシーケンスとして扱い、TransformerのSelf-Attentionで画像認識を行うモデル

正解の根拠・詳細解説

ViTは画像を16×16などの固定サイズのパッチに分割し、各パッチを平坦化して線形変換で埋め込みベクトルに変え、単語列と同じようにトークンの並びとしてTransformerエンコーダーへ入力します。自己注意機構は並び順の情報を持たないため、位置埋め込みを加えて空間的な位置を与え、分類には先頭に付けたクラストークンの出力を使います。CNNは畳み込みという構造そのものに局所性や平行移動不変性という前提を組み込んでいるのに対し、ViTはそうした帰納バイアスが弱く、代わりに自己注意によって画像全体にわたる離れた領域どうしの関係を最初の層から直接捉えられます。この性質のため、学習データが少ないとCNNに劣りますが、大規模データで事前学習すると前提の少なさが柔軟性として働き、CNNを上回る性能に達します。2020年の登場以降、言語と画像を同じ構造で扱う流れを生み、マルチモーダルモデルの土台となりました。物体検出に特化したYOLO系や画像生成を行うGANとは目的が異なります。

正解: B. B. 物体検出はバウンディングボックスでオブジェクトの位置とクラスを検出し、セグメンテーションはピクセル単位でクラスを割り当てる

正解の根拠・詳細解説

物体検出（YOLO・Faster R-CNN等）はオブジェクトのバウンディングボックスとクラスを出力します。セマンティックセグメンテーション（FCN・U-Net等）は全ピクセルにクラスラベルを付与します。インスタンスセグメンテーションはオブジェクトごとにマスクを生成します。3つのタスクの粒度の違い（画像分類＝画像全体に1ラベル、物体検出＝矩形＋ラベル、セマンティックセグメンテーション＝ピクセル単位、インスタンスセグメンテーション＝個体別マスク）を段階で整理すると間違えません。

正解: B. B. 画像を格子分割して1回の順伝播で全オブジェクトを同時検出するリアルタイム物体検出モデル

正解の根拠・詳細解説

YOLOは画像をSグリッドに分割し、各セルがBバウンディングボックスとクラス確率を1回のネットワーク推論で出力します。Faster R-CNNより低精度だが推論速度が大幅に速く、自動運転・監視カメラなどリアルタイムアプリに適しています。2段階検出器（R-CNN系：領域提案→分類、高精度）と1段階検出器（YOLO・SSD：一発で検出、高速）の対比が定番の出題です。リアルタイム性が必要な用途にはYOLO系が選ばれます。

正解: B. B. エンコーダーとデコーダーにスキップ接続があり、少ないデータでも細部の位置精度が高いため

正解の根拠・詳細解説

U-Netはエンコーダーとデコーダーを対称に組み合わせ、スキップ接続でエンコーダーの高解像度特徴をデコーダーに直接渡します。少ないデータで学習でき、細胞・腫瘍の輪郭を正確にセグメンテーションできます。U-Netという名前はエンコーダーとデコーダーが対称に並んだU字型の構造に由来します。医療画像コンペで実績を挙げ、現在はStable Diffusionのノイズ除去ネットワークにも採用されている点が問われることがあります。

正解: B. B. 単語を密なベクトル空間に写像し、意味的に近い単語が近いベクトル距離を持つように学習する表現手法

正解の根拠・詳細解説

Word2Vec・GloVe・fastTextなどの単語埋め込みは単語を低次元密ベクトルに変換します。「王−男+女≒女王」のような意味的演算が可能で、BERTはコンテキスト依存の動的埋め込みを生成します。Word2Vecの学習方式（周辺単語から中心単語を予測するCBOW、中心単語から周辺単語を予測するSkip-gram）の対比も頻出です。「王−男＋女≒女王」の演算例はそのまま出題されます。

正解: B. B. テキストに含まれる感情極性（ポジティブ・ネガティブ・ニュートラル等）を識別するNLPタスク

正解の根拠・詳細解説

感情分析はテキストの感情的傾向を分類するNLPタスクです。レビュー分析・SNSモニタリング・カスタマーサポートに使われます。RNN・LSTM・BERT等の深層学習モデルが高精度を達成しています。単語単位の極性辞書ベースの手法と、文脈を捉える深層学習ベースの手法があります。「皮肉や否定表現（悪くない）の解釈が難しい」という感情分析特有の課題も問われるポイントです。

正解: B. B. エンドツーエンドで訓練でき、文法や単語の特徴をデータから自動学習できる

正解の根拠・詳細解説

NMTはSeq2Seq+Attention（後にTransformerベース）で翻訳全体をエンドツーエンドに学習します。SMTは単語翻訳確率・言語モデル・文法ルールを別々に設計・結合する必要がありましたが、NMTはこれらを統一的に学習でき翻訳品質が大幅に向上しました。Google翻訳が2016年にNMTへ移行して翻訳品質が飛躍的に向上したことが代表的な事例です。フレーズ単位で確率テーブルを引くSMTとの精度差・自然さの差が体感レベルで現れた転換点でした。

正解: B. B. ソフトマックス出力の分布の鋭さを制御し、生成テキストのランダム性を調整するパラメータ

正解の根拠・詳細解説

テンパラチャーTはソフトマックスのロジット（出力前の値）を温度Tで割って調整します。T＜1では分布が鋭くなり確実性の高い選択（決定的な出力）に、T＞1では分布が平坦になり多様な選択（創造的な出力）になります。T＝1が通常のソフトマックスです。この温度パラメータはChatGPTなどのAPI利用時に実際に設定できる項目です。事実回答には低め、ブレインストーミングには高め、という実務的な使い分けもそのまま出題されます。

正解: B. B. 入力と出力の長さが異なる場合にアライメントなしで学習できる損失関数

正解の根拠・詳細解説

CTCは音声フレーム列と文字列のアライメントを手動でラベル付けせずに学習できます。空白トークン（blank）を導入し、フレームごとの文字出力の全アライメントの合計確率を最大化することで、入出力長の不一致を解決します。CTC（Connectionist Temporal Classification）はEnd-to-End音声認識を可能にした技術です。「フレームごとの出力から重複と空白を除去して最終文字列を得る」というデコード処理の理解が問われます。

正解: B. B. データにランダムノイズを段階的に加えるプロセスを逆向きに学習し、ノイズから画像を生成する

正解の根拠・詳細解説

拡散モデルは前向きプロセス（データにガウスノイズを加える）と逆向きプロセス（ノイズからデータを復元するネットワーク学習）で構成されます。Stable Diffusion・DALL-E 2・Imagenで高品質なテキスト-画像生成を実現しています。GANとの対比（拡散モデル＝学習が安定・生成品質が高い・生成に複数ステップ必要で遅い）が頻出です。ノイズを段階的に除去するデノイジング過程をU-Net構造で学習する点も覚えておきましょう。

正解: B. B. テキストと画像のペアを大量に学習し、共通の潜在空間に写像するゼロショット対応モデル

正解の根拠・詳細解説

CLIPはOpenAIが開発した対照学習ベースのモデルで、大量のテキスト-画像ペアでテキストエンコーダーと画像エンコーダーを同時に学習します。ゼロショット画像分類や「テキストから画像検索」が可能で、Stable Diffusion等の基盤技術となっています。「対照学習(Contrastive Learning)＝正しいペアの類似度を上げ、誤ったペアの類似度を下げる学習」という用語自体も単独で出題されます。CLIPはゼロショット分類（学習していないクラスの分類）を可能にした点が革新でした。

正解: B. B. 人間の好み評価を報酬信号としてLLMを人間の指示や価値観に沿うよう微調整する手法

正解の根拠・詳細解説

RLHFはChatGPT・GPT-4・Claudeの訓練に使われた手法です。教師ありファインチューニング→人間評価者による出力ランキング→報酬モデル訓練→PPO等のRLでLLMを最適化、という手順で指示追従能力・安全性を向上させます。RLHFの3ステップ（①教師ありファインチューニング→②人間の選好データで報酬モデルを学習→③強化学習(PPO)で最適化）の順序を入れ替えた誤答が定番です。順序ごと覚えましょう。

正解: B. B. モデルが一度に処理・参照できるトークン数の上限

正解の根拠・詳細解説

コンテキストウィンドウはモデルが1回の推論で参照できるトークンの最大長です。GPT-3.5は最大16Kトークン、GPT-4は128Kトークン、Claude 3は200Kトークンが特徴です。長い文書全体を扱えるかどうかに直結する重要なスペックです。コンテキストウィンドウを超える長文は処理できないため、文書を分割するチャンキングやRAGが必要になります。「ウィンドウが長い＝学習データが多い」という誤解を突く誤答が定番です。

正解: B. B. ユーザーの質問に関連する外部文書を検索してLLMへのコンテキストとして与え、正確な回答を生成する手法

正解の根拠・詳細解説

RAGはLLMの「知識が古い」「ハルシネーション」の問題を補完します。ベクトルDBに保存した外部文書から関連チャンクを検索（Retrieve）し、質問と合わせてLLMに入力（Augment）して回答を生成（Generate）します。企業内文書QAなどに広く使われます。RAGとファインチューニングの使い分け（RAG＝最新情報・社内文書の参照に向く、ファインチューニング＝文体や形式の学習に向く）は実務でも試験でも頻出の対比です。埋め込みベクトルの類似度検索が背後の技術です。

正解: B. B. プロンプト内に数件の入出力例を示してモデルに求める形式・タスクを教える手法

正解の根拠・詳細解説

Few-shot Promptingは例示により指示の意図をモデルに伝えます。Q&Aの入出力例を数件示すと、モデルはそのパターンに倣って回答します。GPT-3で初めてその強力さが実証されました。ゼロショット（例示なし）・ワンショット（例示1件）・フューショット（例示数件）の区別はそのまま出題されます。パラメータを一切更新せずプロンプトだけでタスクに適応する点がファインチューニングとの本質的な違いです。

正解: B. B. 推論ステップを段階的に示す例を与えモデルの論理的推論能力を引き出す手法

正解の根拠・詳細解説

CoTは「問題→中間ステップ→答え」という例を示すことで、モデルの内部推論過程を外部化させます。算数・論理・常識推論などで大幅な精度向上が確認されています。「Let us think step by step」というゼロショットCoTも効果的です。CoTは特に算数・論理推論で効果が大きく、モデルが大規模になるほど効果が現れる「創発的能力」の代表例とされます。「ステップバイステップで考えて」という指示だけで精度が上がるゼロショットCoTも併せて頻出です。

正解: B. B. テキスト・画像・音声・動画など複数のモダリティを統合的に処理するAIモデル

正解の根拠・詳細解説

マルチモーダルAIは複数の入出力形式を同時に扱います。GPT-4V（テキスト+画像）・Gemini 1.5（テキスト+画像+動画+音声）・Claude 3（テキスト+画像）が代表例です。「画像を見て質問に答える」「テキストから動画を生成する」などが可能です。モダリティ（情報の形式）という用語自体の意味も問われます。異なるモダリティを共通の埋め込み空間に写像する技術（CLIPなど）が基盤にある、という構造の理解が応用問題への近道です。

正解: B. B. 元モデルのパラメータを固定し低ランク行列の積で表現される少量のアダプターのみを学習するパラメータ効率的ファインチューニング

正解の根拠・詳細解説

LoRAは重み行列の変化量を低ランク行列の積ABとして追加し、AとBのみを学習します。全パラメータの0.1〜3%の学習で性能を保ちつつ、ファインチューニングコストを大幅削減します。LLMのカスタマイズに広く使われます。フルファインチューニングとの対比で「元の重みを凍結し、追加した小さな低ランク行列だけ学習する」という仕組みが核心です。GPUメモリが限られる環境でLLMをカスタマイズする現実解として広く普及しています。

正解: B. B. 音声信号の時間軸と周波数軸上のエネルギー分布を2D画像として表現したもの

正解の根拠・詳細解説

スペクトログラムは短時間フーリエ変換で音声の時間ごとの周波数成分を2D画像として可視化します。横軸=時間、縦軸=周波数、輝度=エネルギーです。WhisperやWav2Vecはスペクトログラムまたは生波形をCNNやTransformerで処理します。音声処理の前段でよく使われるメル周波数ケプストラム係数（MFCC）も関連キーワードです。「音声を画像のように扱ってCNNで処理できる」というモダリティ変換の発想が試験で問われるポイントです。

正解: B. B. グラフ構造のデータを処理しノードの近傍情報を集約して表現を学習するネットワーク

正解の根拠・詳細解説

GNNは分子構造・ソーシャルネットワーク・知識グラフ・交通ネットワークなどグラフ構造データを扱います。メッセージパッシングで各ノードが近傍ノードの特徴を集約・更新します。薬物分子の特性予測・推薦システム・不正検知に利用されます。GNNの応用例（創薬における分子の性質予測・SNSの友人推薦・不正取引検知）は具体例ベースで出題されます。「画像は格子、テキストは系列、グラフは不規則な接続構造」というデータ構造の対比で覚えましょう。

正解: B. B. 訓練データのバリエーションを人工的に増やしモデルの汎化性能を向上させる

正解の根拠・詳細解説

データ拡張は既存データに変換（画像ならフリップ・回転・クロッピング、テキストなら同義語置換・逆翻訳）を施して訓練データを水増しします。モデルが過学習せず多様な入力変動に対応できるようになり、特にデータが少ない場合に重要です。画像の代表的な拡張手法（左右反転・回転・切り抜き・色調変更）に加え、2枚の画像を混ぜるmixupやCutMixなどの発展手法もあります。「テストデータには適用しない」点がひっかけとして問われます。

正解: B. B. 強化学習や勾配ベース等の手法でニューラルネットワークの構造を自動探索・最適化する

正解の根拠・詳細解説

NASはアーキテクチャ設計の人手作業を自動化します。Google BrainのNasNetや勾配ベースのDARTSが有名です。EfficientNetもNASで発見された効率的なCNNアーキテクチャです。NASは「AIがAIを設計する」自動化の文脈（AutoML）で出題されます。膨大な計算資源を要するのが課題で、EfficientNetのように探索済みアーキテクチャを流用するのが実務では一般的です。

正解: B. B. 大きなモデルの出力確率分布を小さなモデルが模倣するよう学習しモデルを圧縮する手法

正解の根拠・詳細解説

知識蒸留は教師モデルのソフト出力（各クラスの確率分布）を目標として生徒モデルを訓練します。ハードラベルより豊かな情報を学習でき、小型の生徒モデルが教師モデルに近い性能を発揮します。DistilBERTが代表例です。「教師モデルのソフトターゲット（確率分布）には正解ラベル以外のクラスとの類似性情報が含まれるため、ハードラベルより学習効率が良い」という理由まで問われます。モデル圧縮の3手法（蒸留・枝刈り・量子化）はセットで覚えましょう。

正解: B. B. 複数のクライアントがローカルデータを外部送信せずに各自で学習しモデルの更新量のみをサーバーに送って統合するプライバシー保護学習手法

正解の根拠・詳細解説

連合学習はデータをサーバーに集めずにエッジデバイス上で学習するため、医療・金融などプライバシー規制が厳しい分野に適しています。ただし通信コスト・データの非IID性・モデル汚染攻撃への対策が課題です。連合学習は「データを動かさず、モデル（勾配・更新量）を動かす」と要約できます。Googleがスマホのキーボード入力予測（Gboard）で実用化した事例が代表例として出題されます。

正解: B. B. スマートフォン・IoTデバイス等の端末上でAI推論を行い低遅延・オフライン動作・プライバシー保護を実現する

正解の根拠・詳細解説

エッジAIは、推論処理をクラウドのサーバーではなく、スマートフォンや産業用カメラ、IoT機器といった端末側で実行する構成です。データを送って結果を受け取るという通信の往復が不要になるため応答が速く、通信が切れている状況でも動作を続けられます。またカメラ映像や音声を端末内で処理して結果だけを送れるので、生データを外部に出さずに済み、プライバシー保護や通信量の削減にもつながります。半面、端末は電力・メモリ・演算性能に制約があるため、重みの表現精度を落とす量子化、重要度の低い結合を削るプルーニング、大きなモデルの出力を小さなモデルに学ばせる知識蒸留といった軽量化技術を組み合わせ、限られた資源にモデルを収める必要があります。学習自体は依然としてクラウドの潤沢な計算資源で行い、完成したモデルを端末へ配布して推論だけを担わせる役割分担が一般的で、この点でクラウド側の処理とは対立ではなく補完の関係にあります。

正解: B. B. 2つのベクトルの長さの積にコサインを掛けた値（コサイン類似度に直結）

正解の根拠・詳細解説

内積 a・b = |a||b|cos(θ) で、θは2ベクトル間の角度です。コサイン類似度 = a・b / (|a||b|) は文書や埋め込みベクトル間の意味的類似度として使われます。内積が0のとき2ベクトルは直交します。ベクトルの類似度指標としてコサイン類似度・ユークリッド距離・内積の3つの違いが問われます。RAGのベクトル検索や単語埋め込みの類似度計算など、応用文脈と結び付けた出題が増えています。

正解: B. B. 行列Aと固有ベクトルvをかけると方向が変わらず固有値λ倍になる（Av=λv）

正解の根拠・詳細解説

固有値分解は Av = λv を満たすベクトルv（固有ベクトル）とスカラーλ（固有値）を求めます。PCAでは共分散行列の固有ベクトルが主成分方向、固有値が各主成分の分散（重要度）を表します。PCAとの結び付き（共分散行列の固有ベクトル＝主成分の方向、固有値＝その方向の分散の大きさ）で出題されるのが定番です。「固有ベクトルは変換後も方向が変わらない」という幾何学的イメージを持ちましょう。

正解: B. B. 出力が0から1の範囲に収まり確率として解釈できるから

正解の根拠・詳細解説

シグモイド関数 σ(x) = 1/(1+e^{-x}) は任意の実数を(0,1)に圧縮します。二値分類の出力層でクラス所属確率として使われます。ただし勾配消失が起きやすいため隠れ層ではReLUが主流です。シグモイドは微分が σ(x)(1−σ(x)) と自身で表せるため計算が楽という利点もあります。「出力層で確率を出すのはシグモイド（二値）とソフトマックス（多クラス）、隠れ層はReLU」という役割分担で整理しましょう。

正解: B. B. 各ノードの出力を指数変換して合計が1になるよう正規化し多クラスの確率分布を表す関数

正解の根拠・詳細解説

ソフトマックスは exp(z\_i)/Σ exp(z\_j) で全出力を(0,1)の確率に変換し、合計を1にします。多クラス分類の出力層で使われ、クロスエントロピー損失と組み合わせることが多いです。ソフトマックスの出力は「合計1の確率分布」になる点が本質で、argmax（最大値のみ選択）の微分可能な近似と言えます。テキスト生成の温度パラメータはこのソフトマックスに掛かる調整です。

正解: B. B. 正解クラスの予測確率の対数の符号を反転した値を損失として使う分類向け損失関数

正解の根拠・詳細解説

クロスエントロピー損失 L = -Σ y\_i log(p\_i) は正解クラスの確率p\_iが1に近いほど損失が小さく、0に近いほど大きくなります。多クラス分類の標準的な損失関数で、ソフトマックスと組み合わせて使います。「なぜ回帰はMSE、分類はクロスエントロピーか」という損失関数の使い分けが頻出です。正解確率が0に近いとき損失が急激に大きくなる（対数の性質）ため、間違いへのペナルティが強いのが特徴です。

正解: B. B. 予測値と実際値の差の二乗の平均。回帰問題の代表的な損失関数

正解の根拠・詳細解説

MSE = (1/n)Σ(y\_i – ŷ\_i)² は回帰問題の標準的な損失関数です。二乗することで大きな誤差を強調し、微分可能で最適化しやすいです。外れ値の影響が大きいため、MAE（平均絶対誤差）の方が頑健な場面もあります。MSEとMAE（平均絶対誤差）の対比（MSE＝微分しやすいが外れ値に敏感、MAE＝外れ値に頑健）が定番の出題です。MSEの平方根を取ったRMSEは元のデータと単位が揃うため実務レポートでよく使われます。

正解: B. B. 事象AとBの同時確率が各確率の積になる（P(A∩B)=P(A)P(B)）こと

正解の根拠・詳細解説

確率的独立は P(A∩B) = P(A)×P(B) が成立する関係で、一方の事象が他方の確率に影響しないことを意味します。ナイーブベイズ分類器は特徴量間の独立性を仮定します。相関がゼロでも独立とは限りません。「相関係数が0＝無相関」でも「独立」とは限らない（非線形な関係がありうる）という区別は統計分野のひっかけの定番です。ナイーブベイズが「単純（ナイーブ）」と呼ばれるのはこの独立性の仮定に由来します。

正解: B. B. 事後確率 P(A|B) = P(B|A)P(A)/P(B) で事前確率を新しいデータで更新する定理

正解の根拠・詳細解説

ベイズの定理は「データBを観測した後でAの確率（事後確率）を、データ尤度P(B|A)と事前確率P(A)から計算する」公式です。スパムフィルター・医療診断・ベイズ最適化・MCMC等AIで広く使われます。事前確率・尤度・事後確率の3用語の対応（事前＝データを見る前の信念、尤度＝仮説の下でデータが得られる確率、事後＝データで更新した後の確率）を必ず整理しておきましょう。スパムフィルターが定番の応用例です。

正解: B. B. 母集団の分布に関係なく十分大きな標本では標本平均が正規分布に近づく定理

正解の根拠・詳細解説

中心極限定理はサンプルサイズn→∞で標本平均の分布が N(μ, σ²/n) に収束することを示します。これにより多くの統計的推定・検定で正規分布が使え、深層学習の重み初期化でも正規分布が使われる理論的根拠の一つです。「大数の法則（標本平均が母平均に収束する）」と「中心極限定理（標本平均の分布が正規分布に近づく）」の混同を狙った誤答が定番です。2つの定理の主張の違いを説明できるようにしましょう。

正解: B. B. 情報量 I(x) = -log P(x) で低確率事象ほど情報が多く、エントロピーはその期待値

正解の根拠・詳細解説

シャノン情報量 I(x) = -log₂P(x) は稀な事象ほど高い情報量を持ちます（コインが必ず表なら情報0）。エントロピー H = -ΣP(x)log P(x) はその期待値で、分布の不確かさ・多様性を表します。クロスエントロピー損失の理論的基礎です。「必ず起きる事象（確率1）の情報量は0」「起きにくい事象ほど情報量が大きい」という直感が全ての基礎です。エントロピー最大は一様分布（最も予測しにくい）のとき、という性質も頻出です。

正解: B. B. 真の分布Pに対して近似分布Qで符号化する際の余分な情報量。非対称で距離ではない

正解の根拠・詳細解説

KL(P||Q) = ΣP(x)log(P(x)/Q(x)) はPとQの差異を測ります。非対称（KL(P||Q)≠KL(Q||P)）で真の意味での距離ではありません。VAEのKL正則化項や言語モデルの評価（パープレキシティ）に使われます。KLダイバージェンスが「距離」と呼べない理由（非対称・三角不等式を満たさない）はそのまま出題されます。クロスエントロピー＝エントロピー＋KLダイバージェンスという関係式も覚えておくと損失関数の理解が深まります。

正解: B. B. データ行列のSVDからPCAの主成分（固有ベクトル）を導出でき、両者は深く関連している

正解の根拠・詳細解説

PCAの主成分はデータ行列XのSVD（X=UΣVᵀ）のVの列ベクトル（右特異ベクトル）に対応します。SVDはPCAの計算に使われ、推薦システム・低ランク近似・ノイズ除去にも広く使われます。SVDは推薦システム（行列分解による協調フィルタリング）や画像圧縮にも使われます。「PCAを実装する数値計算の裏側でSVDが動いている」という関係性の理解で十分です。

正解: B. B. 損失関数が振動・発散し最適解に収束しない可能性がある

正解の根拠・詳細解説

学習率ηが大きすぎると各ステップの更新量が大きくなり、最小値を飛び越えて損失が振動・発散します。小さすぎると収束が遅くなります。AdamやRMSpropの適応的学習率、またはコサインアニーリング等のスケジューリングで対処します。学習率のスケジューリング（最初は大きく徐々に小さく：ステップ減衰・コサインアニーリング・ウォームアップ）も併せて問われます。「学習率は最も重要なハイパーパラメータ」とされる点も覚えておきましょう。

正解: B. B. ランダムサンプリングを使って数値積分や確率計算を近似する統計的手法

正解の根拠・詳細解説

モンテカルロ法は乱数を使ってπの計算や積分の近似、強化学習（MCTS：モンテカルロ木探索）などに使われます。AlphaGoがMCTSで囲碁の次の手を探索したことで有名です。AlphaGoが「モンテカルロ木探索（MCTS）＋深層学習」の組み合わせで人間を超えた、という構成はG検定最頻出の事例の一つです。乱数を使った近似計算という発想自体を問う問題もあります。

正解: B. B. 次の状態が現在の状態のみに依存する（過去の履歴に依存しない）確率的プロセス

正解の根拠・詳細解説

マルコフ連鎖の「マルコフ性」は「現在の状態を知れば過去の履歴は将来の状態の予測に不要」という性質です。強化学習のMDP（マルコフ決定過程）の基礎概念で、テキスト生成・音声認識の隠れマルコフモデルにも使われます。「未来は現在の状態だけで決まり、そこに至る経路は関係ない」というマルコフ性の言い換えが選択肢に使われます。強化学習の理論的基盤であるマルコフ決定過程（MDP）の前提として重要です。

正解: B. B. 平均μと分散σ²で定義される釣り鐘型の連続確率分布で自然現象に広く現れる

正解の根拠・詳細解説

正規分布 N(μ, σ²) は平均・分散で完全に決まる釣り鐘型分布です。中心極限定理から多くの自然現象に現れ、深層学習の重み初期化（XavierやHe初期化）でも使われます。標準正規分布はμ=0、σ=1です。正規分布の68-95-99.7ルール（±1σに68%、±2σに95%、±3σに99.7%が収まる）は数値ごと問われることがあります。外れ値検出の閾値（±2σや±3σ）としても実務で使われます。

正解: B. B. ReLUの微分は正の入力に対して1（一定）のため勾配が消失しにくいから

正解の根拠・詳細解説

シグモイドの微分 σ'(x) = σ(x)(1-σ(x)) は最大でも0.25で、層を重ねると掛け算で指数的に小さくなります（勾配消失）。ReLUの微分は x＞0 で1、x＜0 で0のため、正の入力では勾配がそのまま伝播します。ただしReLUにも「負の入力で勾配0のままニューロンが死ぬ（dying ReLU）」という弱点があり、Leaky ReLUで改善します。「なぜシグモイドで勾配が消えるのか」を微分の最大値0.25から説明できると盤石です。

正解: B. B. L1ノルムは成分の絶対値の和、L2ノルムは成分の二乗和の平方根（ユークリッド距離）

正解の根拠・詳細解説

ノルムはベクトルの大きさを測る尺度です。L1ノルムは各成分の絶対値の総和で、碁盤の目の街路を進むように軸に沿って測ることからマンハッタン距離とも呼ばれます。L2ノルムは各成分の二乗和の平方根で、2点を直線で結んだ長さ、すなわちユークリッド距離に相当します。この形の違いが正則化の効果の差を生みます。L1の等値線は原点を中心とした菱形で、角が座標軸上にあるため、損失関数と接する点が軸上に来やすく、多くの重みがちょうど0になるスパースな解が得られます。結果として実質的な特徴選択として働き、これがラッソ回帰です。一方L2の等値線は円で角がないため、重みは0に近づくものの完全には0にならず、全体が均等に縮小されます。これがリッジ回帰です。また誤差の尺度として使う場合、L2は差を二乗するため大きく外れた値の影響を強く受けるのに対し、L1は絶対値のため外れ値に対して頑健です。

正解: B. B. 深層学習等の複雑なモデルがどのような根拠で予測・判断したかを人間が理解・説明できない問題

正解の根拠・詳細解説

ブラックボックス問題はAIの説明可能性（XAI：Explainable AI）の課題です。LIME・SHAP・アテンション可視化などの説明手法が研究されています。医療・金融・司法など高リスク分野では判断根拠の説明義務が法的に求められます。説明可能AI（XAI）の代表手法LIME（局所的な線形近似で説明）とSHAP（ゲーム理論のシャープレイ値で特徴量の寄与を算出）は名前と概要がそのまま出題されます。

正解: B. B. AIが性別・人種・年齢などで不当な差別・偏りのある判断をしないこと

正解の根拠・詳細解説

AI公平性はバイアス（訓練データや設計上の偏り）により特定属性のユーザーが不当に不利益を受けないよう保証します。採用・融資審査・顔認識等でのバイアス事例が社会問題となっており、様々な公平性指標（均等な誤り率等）が研究されています。実例として、再犯予測システムCOMPASの人種バイアスや、Amazonが開発中止した採用AIの女性差別バイアスが有名で、事例ベースでも出題されます。「データの偏りがそのままAIの偏りになる」が本質です。

正解: C. C. メールアドレス・電話番号

正解の根拠・詳細解説

要配慮個人情報（個人情報保護法第2条3項）は人種・信条・社会的身分・病歴・前科・障害・健康診断・遺伝子情報など、取扱いに特に配慮が必要な情報です。メールアドレス・電話番号は通常の個人情報ですが要配慮には含まれません。要配慮個人情報は「本人の同意なき取得が原則禁止」で、オプトアウト方式による第三者提供もできません。通常の個人情報との規制の強さの違いを問う形式が定番です。

正解: B. B. AIをリスクレベル（許容不可・高リスク・限定リスク・最小リスク）に分類し、リスクに応じた義務を課す規制枠組み

正解の根拠・詳細解説

EU AI Actは世界初の包括的AI規制法です。社会スコアリング等は「許容不可」として禁止、医療診断AIや重要インフラAIは「高リスク」として厳格な要件（透明性・精度・人間監視）を課します。2024年8月に発効しました。リスクベースアプローチという考え方自体が問われます。生成AI（汎用目的AI）には透明性義務（AI生成である旨の表示など）が課される点も2024年以降の重要トピックです。

正解: B. B. 現行著作権法では「創作的表現を人が行う」ことが要件のため、AIのみが生成したコンテンツには著作権が認められない可能性が高い

正解の根拠・詳細解説

日本著作権法では著作物の成立に「思想・感情の創作的表現」が必要で、人間の創作的寄与が要件とされています。AIが全自動生成したコンテンツへの著作権の成立は不確かで、「プロンプトへの創作的寄与の程度」が判断の鍵とされます（文化庁の考え方より）。2026年時点では「AI生成物に著作権が認められるかは人間の創作的寄与の程度次第」という整理です。また学習段階については日本の著作権法30条の4が情報解析目的の利用を原則適法としている点も頻出です。

正解: B. B. プライバシー保護をシステム設計の事後対応ではなく、最初から設計に組み込む原則

正解の根拠・詳細解説

プライバシーバイデザインはAnn Cavoukianが提唱し、GDPR等の法規制にも反映されています。データ最小化・匿名化・仮名化・アクセス制御・差分プライバシーなどをシステム設計段階から組み込む考え方です。GDPR第25条に「データ保護バイデザイン」として法制化されています。「事後対応ではなく設計段階から」というキーフレーズが正解選択肢の目印です。

正解: B. B. 深層学習（特にGAN）を使って人物の顔・音声・動画を高品質に偽造する技術

正解の根拠・詳細解説

ディープフェイクは主にGAN・拡散モデルを使って実在の人物の顔・音声・動画を本物そっくりに生成します。なりすまし・フェイクニュース・プライバシー侵害・選挙干渉などに悪用されるリスクがあり、検出技術と法規制の整備が世界的に急がれています。対策技術として、AI生成コンテンツへの電子透かし（ウォーターマーク）や来歴証明（C2PA）が整備されつつあります。日本でも2024年以降、ディープフェイクによる詐欺・偽情報が社会問題化しています。

正解: B. B. AIの意思決定プロセスに人間が介入・確認する機会を組み込み、重要な判断に人間の監督を維持する設計原則

正解の根拠・詳細解説

Human-in-the-Loopは特に高リスクな判断（医療診断・融資審査・自動運転の例外処理等）でAIの判断を最終的に人間が確認・承認する仕組みです。EU AI Actでも高リスクAIへの人間監視が義務付けられています。完全自動化（Human-out-of-the-Loop）との対比で問われます。「AIが提案し人間が最終承認する」設計は、EU AI Actの高リスクAI要件や日本のAI事業者ガイドラインでも共通する原則です。

正解: B. B. AIは気候変動対策・医療アクセス改善・農業最適化等でSDGs達成を支援できる反面、エネルギー消費やデジタル格差が課題

正解の根拠・詳細解説

AIは医療診断の高度化（SDG3）・教育アクセス（SDG4）・農業収量最適化（SDG2）・再生可能エネルギー管理（SDG7）に貢献できます。一方で、大規模LLMの訓練には大量の電力と水が必要で、環境負荷やデジタル格差（SDG10）が懸念されます。「AIの学習・推論に伴う電力消費・水資源消費」はLLM時代の新しい論点として出題が増えています。技術の便益とコストの両面を問うバランス型の設問がG検定らしい出題です。

正解: D. D. AIを使った兵器開発の推進

正解の根拠・詳細解説

内閣府の人間中心のAI社会原則（2019）は、①人間中心、②教育・リテラシー、③プライバシー確保、④セキュリティ確保、⑤公正競争確保、⑥公平性・説明責任・透明性の確保、⑦イノベーションの7原則を定めています。兵器開発の推進は含まれません。7原則の中でも「人間中心」が最上位の理念です。2024年には総務省・経産省の「AI事業者ガイドライン」に統合・発展しており、原則名の並び替えや「含まれないもの」を選ぶ形式で問われます。

正解: B. B. AIシステムの目標・価値観を人間の意図・倫理・価値観と一致させることの難しさ

正解の根拠・詳細解説

アライメント問題はAIが意図しない目標を最大化するリスクです（例: ゲームスコアを最大化するAIが意図しない方法でスコアを稼ぐ）。RLHF・Constitutional AI・AIセーフティ研究がこの問題への主なアプローチです。「ミダス王問題」（願いが文字通り叶うことの危険）の比喩や、報酬ハッキング（reward hacking）という用語とセットで出題されます。RLHFやアンソロピックのConstitutional AIが対策アプローチの代表例です。

正解: B. B. G検定はAIの事業活用・知識確認向けの一般向け試験、E資格は深層学習モデルを設計・実装できるエンジニア向けの上位資格

正解の根拠・詳細解説

G検定（ジェネラリスト検定）とE資格は、いずれも日本ディープラーニング協会（JDLA）が実施する資格だが、想定する受験者像が大きく異なる。G検定はディープラーニングの基礎知識に加え、AIをどのような事業課題に適用できるか、法律・倫理の面で何に配慮すべきかといった活用する側の知識を問う試験で、受験資格の制限がなく、オンラインの多肢選択式で実施される。対象はエンジニアに限らず、企画・営業・管理職などAIプロジェクトに関わるすべての人である。これに対しE資格は、ディープラーニングの数理的な理論を理解し、実際にモデルを設計・実装できるエンジニアを認定する上位資格で、受験にはJDLA認定プログラムの修了という要件が課されている。この受験要件の有無は両資格の違いとして最も出題されやすい論点である。「G検定に合格していないとE資格を受験できない」という説明は誤りで、要件はあくまで認定プログラムの修了である。また両者は学生向け・社会人向けという区分ではなく、E資格が特定のクラウドサービス上での実装を問う試験でもない。対象者の違いで整理して覚えるのが確実である。