問題を解く前に、試験の全体像や学習ロードマップを確認したい方は、こちらの記事を先にチェックしてみてください！
第6問
ディープラーニングにおいて、学習が進むにつれて学習率（ラーニングレート）を徐々に小さくしていくなど、最適化アルゴリズムにおいてハイパーパラメータを動的に調整し、効率的な収束を目指す手法の総称として、最も適切なものはどれか。
- A. 学習率スケジューリング（ラーニングレート・ディケイ）
- B. アーリーストッピング（早期打ち切り）
- C. データオーグメンテーション（データ拡張）
- D. グリッドサーチ
正解： A
解説：
- A：適切。 学習の初期は大きく動かし、ゴールに近づくにつれて歩幅（学習率）を小さくして微調整する手法を「学習率スケジューリング」や「学習率減衰（ディケイ）」と呼びます。Adamなどの最適化アルゴリズムにもこの思想が組み込まれています。
- B：不適切。 アーリーストッピングは、過学習を防ぐために検証データの誤差が下がらなくなった時点で訓練を途中で打ち切る手法です。
- C：不適切。 データオーグメンテーションは、画像を回転・反転させるなどして訓練データの水増しを行う手法です。
- D：不適切。 グリッドサーチは、ハイパーパラメータの候補をあらかじめ網羅的に指定し、総当たりで最適な組み合わせを探す手法です。
第7問
自然言語処理（NLP）の分野において、従来のRNN（再帰型ニューラルネットワーク）の課題であった「長大なテキストの文脈を保持できない（長期依存性の喪失）」という問題を解決するために考案されたアーキテクチャや技術を【2つ】選べ。
- A. LSTM（Long Short-Term Memory）
- B. Transformer（アテンションメカニズム）
- C. CNN（畳み込みニューラルネットワーク）
- D. 線形回帰
正解： A, B
解説：
- A：適切。 LSTMは「忘却ゲート」などの仕組みを持つセルを導入することで、長い時系列データでも勾配消失を防ぎ、長期の文脈を記憶できるようにしたRNNの発展形です。
- B：適切。 Transformerは、RNNを一切使わずに「注意（Attention）」の仕組みだけで文脈の繋がり（関係性）を並列処理する、現在のLLMの基盤となった画期的なアーキテクチャです。
- C：不適切。 CNNは主に画像認識（空間的な特徴の抽出）に用いられるネットワークであり、時系列データの長期文脈を保持する目的の主軸ではありません。
- D：不適切。 線形回帰は、データを直線で予測する最も基本的な統計・機械学習の手法です。
第8問
ニューラルネットワークの学習において、特定の層の出力を「平均0、分散1」に正規化（ミニバッチごとの標準化）することで、共変量シフトを抑え、学習速度の向上や過学習の抑制に大きな効果を発揮する手法はどれか。
- A. ドロップアウト（Dropout）
- B. L1正則化（Lasso）
- C. バッチ正規化（Batch Normalization）
- D. 主成分分析（PCA）
正解： C
解説：
- A：不適切。 ドロップアウトは、ノードをランダムに消去しながら学習することで過学習を防ぐ手法です。
- B：不適切。 L1正則化は、重みの絶対値をペナルティとして損失関数に加えることで、不要な重みをゼロにする手法です。
- C：適切。 バッチ正規化は、層の間でデータの分布を整える（正規化する）ことで、勾配消失を防ぎつつ、学習率を大きくしても安定して高速に学習できるようにする標準的な技術です。
- D：不適切。 主成分分析は、多次元のデータを情報の損失を抑えつつ低次元に圧縮する、教師なし学習の手法です。
第9問
生成AI（ジェネレーティブAI）に関する記述のうち、技術的な特徴や仕組みとして適切なものを【2つ】選べ。
- A. VAE（変分オートエンコーダー）は、潜在空間にデータを確率分布として埋め込むことで、新しいデータを生成することができる。
- B. GAN（敵対的生成ネットワーク）は、偽物を作る「生成器（ジェネレータ）」と、本物か見破る「識別器（ディスクリミネータ）」を競い合わせる。
- C. ディフュージョンモデル（拡散モデル）は、テキストデータのみを生成可能で、画像生成には利用できない。
- D. LLM（大規模言語モデル）は、あらかじめルールベースで構築されたシナリオに沿ってのみ文章を出力する。
正解： A, B
解説：
- A：適切。 VAEは、エンコーダーが入力データを確率分布（平均と分散）に変換し、デコーダーがそこから新たなデータをサンプリングして生成する手法です。
- B：適切。 GANは「天才的な偽札作り」と「優秀な警察」に例えられる2つのネットワークを戦わせることで、非常にリアルな画像などを生成します。
- C：不適切。 ディフュージョンモデルは、画像にノイズを加えていく過程を逆算（デノイズ）することで高精細な画像を生成する技術であり、Stable Diffusionなどに広く使われています。
- D：不適切。 LLMはニューラルネットワークをベースにしており、次に続く確率の最も高い単語を予測して文章を自律生成するため、固定されたルールベースではありません。
第10問
自動運転のレベル定義において、「特定の条件下（高速道路など）において、システムがすべての運転タスクを代替するが、システムから要請（テイクオーバー要求）があった場合には、人間の運転手がいつでも運転を交代しなければならない状態」に該当するレベルはどれか。
- A. レベル2（部分的運転自動化）
- B. レベル3（条件付運転自動化）
- C. レベル4（高度運転自動化）
- D. レベル5（完全運転自動化）
正解： B
解説：
- A：不適切。 レベル2までは、運転の主体はあくまで「人間」であり、システムは運転支援（ハンズオフなど）にとどまります。
- B：適切。 レベル3では、特定の条件下で運転の主体が「システム」に移ります。ただし、システムが対応できなくなった場合は人間への交代義務（テイクオーバー）が生じるのが大きな特徴です。
- C：不適切。 レベル4は、特定条件下における「完全な自動運転」であり、システムから人間への交代要請（緊急時の対応も含めてシステムが処理）は原則ありません。
- D：不適切。 レベル5は、場所や天候の制限なく、あらゆる状況下でシステムが完全自動運転を行う状態です。
上記問題を解いてみて、手応えはいかがでしたか？ 「意外と解ける」と思った方もいれば、「もう少し複雑な問題が出たら不安……」と感じた方もいるかもしれません。
実際の試験では、膨大な問題数を制限時間内に処理する「圧倒的なスピード感」や、初見では高確率で迷う「ひっかけパターン」への対策が求められます。本番で焦らないためには、事前にどれだけ多くの問題パターンに触れておくかが合否の分かれ道です。
そこで、IT未経験から独学で一発合格を果たした私が、試験勉強の過程で徹底的に傾向を分析し、自作した「G検定厳選100問・徹底攻略問題集（完全版）」を用意しました。
ぜひ合格のために解いてみてください！！
コメント