G検定模擬試験set1 - 未解答
（ア）に最もよくあてはまる選択肢を 1 つ選べ.
活性化関数とは,ニューロンの出力に何らかの非線形な変数を加える関数である.単純パーセプトロンの出力層では（ア）が用いられ,ニューラルネットワークの中間層では,はじめ（イ）などの正規化の機能を持つ関数が好まれた.しかし現在では,誤差逆伝播で勾配が消失しやすいという問題から,中間層では勾配消失問題の影響を抑えられ,かつ簡単な（ウ）などが用いられている.また,出力層では出力の総和が 1 になるため確率的な解釈が可能になる（エ）がよく用いられる.
（ア）に最もよくあてはまる選択肢を 1 つ選べ.
畳み込みニューラルネットワークに特有の構造として,畳み込み層とプーリング層がある.これらは画像から特徴量を抽出するために用いられる.逆に特徴量（特徴マップ）から画像を生成する際には,それらと逆の操作を行う.代表的な構造として,畳込み層の逆操作である（ア）やプーリングの逆操作である（イ）がある.これらの構造を用いるタスクの例として（ウ）がある.
（解説あり）（エ）に最もよくあてはまる選択肢を 1 つ選べ.
機械学習においては過学習を避けるために,訓練誤差ではなく汎化誤差を可能なかぎり小さくする手法である（ア）を用いることが多い.また複数のモデルの予測結果の平均を利用する（イ）がある.他にもディープニューラルネットワーク（DNN）に対しては,ランダムに一定の割合のノードを削除して学習を行う（ウ）が有効とされている.（ア）手法にはいくつかのパラメータをスパースにする（エ）などがある.
（エ）に最もよくあてはまる選択肢を 1 つ選べ.
自己符号化器はニューラルネットワークによる（ア）の代表的な応用であり,出力が入力に近づくようにニューラルネットを学習させる.主に（イ）のために利用されることが多く,活性化関数に恒等写像を用いた場合の 3 層の自己符号化器は（ウ）と同様の結果を返す.自己符号化器を多層化すると,ディープニューラルネット同様に勾配消失問題が生じるため,複雑な内部表現を得ることは困難であった.この問題に対して 2006 年頃に（エ）らは,単層の自己符号化器に分割し入力層から繰り返し学習させる（オ）を積層自己符号化器に適用することで,汎用的な自己符号化器の利用を可能とした.また,自己符号化器の代表的な応用例として（カ）がある.
（イ）に最もよくあてはまる選択肢を 1 つ選べ.
ニューラルネットワークの学習には独自の問題が生じる.層を深くするほど,入力層に近い層で学習が行われにくくなる（ア）問題が起こったり,パラメータがつくる空間が高次元になり,その空間内の局所最適解や（イ）にトラップされることが多くなる.
（イ）に最もよくあてはまる選択肢を 1 つ選べ.
畳み込みニューラルネットワークに特有の構造として,畳み込み層とプーリング層がある.これらは画像から特徴量を抽出するために用いられる.逆に特徴量（特徴マップ）から画像を生成する際には,それらと逆の操作を行う.代表的な構造として,畳込み層の逆操作である（ア）やプーリングの逆操作である（イ）がある.これらの構造を用いるタスクの例として（ウ）がある.
（解説あり）（ウ）に最もよくあてはまる選択肢を 1 つ選べ.
自動運転レベル5 に至るには,2 つのアプローチが存在している.1 つは自動運転レベル1 から徐々に運転自動化の範囲を広げていくアプローチ,もう1 つは直接レベル3以上の自動運転を目指そうとするものである.この時,前者のレベル1 から徐々に運転自動化を目指すアプローチを採っているプレイヤーは （ア） などである.他方で,後者の直接レベル3以上の運転自動化を目指すアプローチを採っているプレイヤーは （イ） である.また後者のアプローチを採る企業として著名なのは,google 社傘下の （ウ） 社である.
（ウ）に最もよくあてはまる選択肢を 1 つ選べ.
畳み込みニューラルネットワークの（ア）のパラメータ数は（イ）と比較して極めて少ない.これは（ウ）によって（エ）ため,パラメータ数が減り,計算量が少なくなるためである.
（ア）に最もよくあてはまる選択肢を 1 つ選べ.
ニューラルネットワークで用いられる活性化関数について扱う.出力層の活性化関数には,回帰では（ア）が,多クラス分類では（イ）が一般的に利用されてきた.また中間層の活性化関数として,従来は（ウ）などが一般的に利用されてきた.しかし,これらの活性化関数を利用すると勾配消失問題が起きやすいという問題があったため,近年は,入力が 0 を超えていれば入力をそのまま出力に渡し,0 未満であれば出力を 0 とする（エ）や複数の線形関数の中での最大値を利用する（オ）などが利用されている.
loading!!
