【IT未経験】G検定の一発合格を狙う最重要問題集！丁寧な解説付き（1）

正解： B

解説：

• A：不適切。 シグモイド関数は出力の微分値が最大でも0.25にしかならないため、層が深くなると勾配が急速に小さくなり、勾配消失の原因になります。
• B：適切。 ReLUは入力が正のときに出力の微分値が常に1となるため、層が深くなっても勾配が途切れにくく、勾配消失の有効な対策となります。
• C：不適切。 層を単純に深くすることは、適切な対策（活性化関数の見直しやバッチ正規化など）を講じない限り、むしろ勾配消失問題を悪化させる要因になります。
• D：不適切。 学習率を大きくしすぎると、学習が不安定になり発散（勾配爆発など）する原因になります。

正解： A, B

解説：

• A：適切。 適合率は「モデルが陽性と予測したもののうち、実際に陽性だった割合」を示し、不均衡データにおいて誤検出の少なさを評価する重要な指標です。
• B：適切。 再現率は「実際に陽性であるもののうち、モデルが陽性と予測できた割合」を示し、見落としの少なさを評価するため、適合率とセットでよく使われます。
• C：不適切。 正解率は全体に対する正解の割合ですが、データの偏りが大きい場合（例：99%が陰性）は、すべて陰性と予測する極端なモデルでも99%の正解率になってしまうため、単体では信頼できません。
• D：不適切。 エルボー法は、教師なし学習のクラスタリングにおいて、適切なクラスタ数を決定するためのアプローチです。

正解： B

解説：

• A：不適切。 R-CNNは、物体の候補領域を抽出した後にCNNで特徴を計算する、処理に時間がかかる複数段階のモデルです。
• B：適切。 YOLOは、画像をグリッドに分割し、1回の画像スキャン（Look Once）で位置の特定とクラス分類を同時に行う超高速な物体検出モデルです。
• C：不適切。 SegNetは、ピクセル単位で画像の領域を分類する「セマンティックセグメンテーション」のモデルです。
• D：不適切。 VGG16は、主に画像の「分類（一般物体認識）」に用いられる標準的な畳み込みニューラルネットワークです。

正解： A, B

解説：

• A：適切。 Adversarial Examplesは、画像などに人に気づかれない微小なノイズを加えることで、AIに「パンダ」を「テナガザル」と誤認させるような攻撃手法です。
• B：適切。 データポイズニングは、AIの訓練（学習）データの中に意図的に不正なデータを混入させ、モデルに誤ったルールを学習させる攻撃手法です。
• C：不適切。 ハルシネーションは、LLMがもっともらしい嘘を出力する「現象・課題」のことであり、外部から仕掛けられる意図的な攻撃手法ではありません。
• D：不適切。 ブルートフォース攻撃（総当たり攻撃）は、パスワードなどを解読するための伝統的なサイバー攻撃手法です。

正解： C

解説：

• A：不適切。 AIを開発しただけであれば、生成物に対して直接的な創作意図を持たないため、開発者に著作権は認められません。
• B：不適切。 短いプロンプトを入力しただけなど、人間側の「創作的寄与」が認められない場合、生成物自体には著作権が発生しません。
• C：適切。 日本の著作権法では、著作物は「思想又は感情を創作的に表現したもの」と定義されており、人間が創作に関与していないAI生成物は著作権の保護対象外（パブリックドメイン）となります。
• D：不適切。 現行の法律において、AI自身に権利の主体となる法律上の人格（権利能力）は認められていません。