（イ）に最もよくあてはまる選択肢を 1 つ選べ.

既存の学習済みニューラルネットワークモデルを活用する手法に（ア）と（イ）がある.（ア）では,学習済みモデルに対して新たに別の課題を学習させることで,少量のデータセットかつ少ない計算量で高い性能のモデルを得ることができる.また,（イ）は,学習済みの大規模モデルの入力と出力を小規模なモデルの教師データとして利用することで,少ない計算資源で従来のモデルと同程度の性能を実現することが可能となる.

（解説あり）（ウ）に最もよくあてはまる選択肢を 1 つ選べ.

自然言語処理の研究においても,ディープラーニングを利用した研究が目立ちつつあるが,その成果は分野においてまちまちである. 例えば,機械翻訳 や（ア）おいては大幅な性能向上が見られる一方で,構文解析や（イ） のように連続的な精度向上は見られるものの基本的な手法は大きく変わらないもの,そして 文脈解析 や（ウ）など現在のアプローチでは実用的な精度は見込めないものなどがある.

（イ）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,重み更新に関わる単位として,（ア）と（イ）がある.（ア）は,重みが更新された回数であり,（イ）は訓練データを何回繰り返し学習したかを表す単位である.また一回の（ア）に用いるサンプル数は（ウ）と呼ばれる.

（イ）に最もよくあてはまる選択肢を 1 つ選べ.

画像生成とは,何もない状態,もしくはある入力値に応じて目標の画像を生成する技術である.今最も利用されている画像生成手法は,GAN という生成敵対ネットワークである.特に,あるランダムな数値の入力値をもとに画像生成を行う DC（ア）やある文章から画像を生成する Attention（ア）などが有名である.このネットワークは（イ）と（ウ）から構成されており,（イ）は（エ）を騙すような画像を出力し,（ウ）は（イ）から出力された画像と本物の画像とを分類するようにそれぞれ学習する.このように学習することで,（イ）は適切な画像を出力することが可能となる.

（解説あり）（ウ）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には（ア）などの多くのハイパーパラメータが存在し,これらの値が精度に大きな影響を与える.ハイパーパラメータのチューニング方法としては,パラメータの候補値を指定し,それらの組み合わせを調べる（イ）などがある.また,近年は,ハイパーパラメータを含め最適化問題とする（ウ）が効率的なチューニング方法として注目をあびている.

（イ）に最もよくあてはまる選択肢を 1 つ選べ.

自己符号化器（Autoencoder）は,出力が入力と同じものに近づくことを目指して学習する.（ア）のアルゴリズムであり,（イ）が可能になる.このときの（ウ）が入力の特徴を抽出した表現となる.

（ウ）に最もよくあてはまる選択肢を 1 つ選べ.

1990 年代の音声認識は（ア）による,音自体を判別するための音響モデルと,（イ）による語と語のつながりを判別する言語モデルの両方でできている.しかし,ディープラーニングの登場,とりわけ（ウ）の登場により,音響特徴量から音素,文字列,更には単語列に直接変換する End to End モデルというアプローチを取ることが可能になり,人的に前処理を行わなくても解析することが可能となった.

（解説あり）以下の文章をよく読み,末尾の設問に答えよ.

AI の社会実装を進めていくにあたり,AI がもたらす倫理的リスクを事前に考慮しておく必要性が近年強く叫ばれている.各国政府はそれに対応すべく様々な取り組みを行なっている. 米国政府の例を取ると,米国政府は 2016 年 10 月に PREPARING FOR THE FUTURE OF ARTIFICIAL INTELLIGENCE を発行し,続けさまに同年 THE NATIONAL ARTIFICIAL INTELLIGENCE RESEARCH and DEVELOPMENT STRATEGIC PLAN ,そして 2016 年 12 月に発行した ARTIFICIAL INTELLIGENCE AUTOMATION, AND THE ECONOMY などで,これから表面化するであろうリスクへの対応策を事前に協議している.

このうち,ARTIFICIAL INTELLIGENCE AUTOMATION, AND THE ECONOMY で協議された内容として最も適切なものを 1 つ選べ.

（ア）に最もよくあてはまる選択肢を 1 つ選べ.

生成モデル（generative model）とは,訓練データからそのデータの特徴を学習し,類似したデータを生成することができるモデルである.ディープニューラルネットの生成モデル（generative model）の例として,自己符号化器の潜在変数に確率分布を導入した（ア）や,訓練データと生成器が生成したデータを識別器で判別させることによって学習を進める（イ）がある.

（イ）に最もよくあてはまる選択肢を 1 つ選べ.

現在の教師あり学習は,与えられたデータがどの分類に当てはまるのかを識別する（ア）と,様々な関連性のある過去の数値から未知の数値を予測する（イ）という二つに分類される.（ア）を用いることで,（ウ）のようなことができる.また（イ）を用いることで,（エ）のようなことができる.