2027年試験新シラバス対応・1-4

代表的なモデルと識別系AI・生成系AIの一問一答

生成AIパスポート試験「AIの基礎と歴史」から、代表的なモデルと識別系AI・生成系AIに関する4択問題を10問。「答えと解説を見る」を開くと、正解とその理由がその場で読めます。会員登録は不要です。

この分野の演習

全10問／解説つき・基本無料

アプリ形式で解く（全410問） AIの基礎と歴史の要点解説を読む

問題

上から順に解いてみてください。答えは各問の下で確認できます。本試験は四肢択一式（一部複数選択を含む）で出題されます。ここでは全て4択（正解は1つ）で出題しています。

問11-4

CNN（畳み込みニューラルネットワーク）が特に得意とする分野として、最も適切なものを1つ選びなさい。

①利用者の質問の意図をくみ取り、規則に従って決まった答えを返すルールベース
②試行錯誤を繰り返して、ゲームの中で最も報酬が多い行動を見つける強化学習
③表計算のデータから、似た傾向の顧客をグループに分ける顧客セグメンテーション
④画像の中から特徴を見つけて、写っているものを認識するコンピュータビジョン

答えと解説を見る

正解 ④画像の中から特徴を見つけて、写っているものを認識するコンピュータビジョン

解説
CNN（Convolutional Neural Network：畳み込みニューラルネットワーク）は、画像の一部分ずつに小さなフィルタを当てて特徴を取り出す「畳み込み」という処理を繰り返すことで、輪郭や模様のような局所的な特徴から、目や耳のような形、さらに物体全体へと、段階的に特徴をとらえるニューラルネットワークです。
画像の認識や分類、物体の検出など、コンピュータに画像を理解させるコンピュータビジョンの分野で大きな成果を上げました。2012年の画像認識の競技会で、CNNを使ったモデル（AlexNet）が従来手法を大きく上回ったことが、第三次AIブームのきっかけの一つとされます。

他の選択肢が不適切な理由
・ゲームで報酬が多い行動を見つける：強化学習の得意分野です。
・顧客をグループに分ける：クラスタリングなどの教師なし学習の例です。
・規則に従って決まった答えを返す：ルールベースの説明です。

覚え方のポイント
CNN＝「画像が得意」。小さな窓（フィルタ）で画像をなぞって特徴を拾う「畳み込み」が名前の由来です。

問21-4

RNN（再帰型ニューラルネットワーク）の説明として、最も適切なものを1つ選びなさい。

①前の時点の情報を次の計算に引き継ぎ、文章や音声などの順番に意味があるデータを扱う。
②画像の一部分ずつにフィルタを当てて、輪郭や模様などの特徴を段階的に取り出していく。
③生成器と識別器の2つのネットワークを競わせて、本物そっくりのデータを作り出していく。
④入力をいったん圧縮してから元に戻す仕組みで、データの特徴をつかんで新しく生成する。

答えと解説を見る

正解 ①前の時点の情報を次の計算に引き継ぎ、文章や音声などの順番に意味があるデータを扱う。

解説
RNN（Recurrent Neural Network：再帰型ニューラルネットワーク）は、ある時点の計算結果（隠れ層の状態）を、次の時点の計算にも入力として引き継ぐ仕組みを持つニューラルネットワークです。
これにより、文章・音声・株価の推移のように、順番に意味があるデータ（シーケンスデータ、時系列データ）を扱うことができます。ただし、系列が長くなると、昔の情報が伝わりにくくなる勾配消失問題などの課題がありました。

他の選択肢が不適切な理由
・フィルタで特徴を取り出す：CNN（畳み込みニューラルネットワーク）の説明です。
・生成器と識別器を競わせる：GAN（敵対的生成ネットワーク）の説明です。
・圧縮してから元に戻す仕組みで生成する：VAE（変分オートエンコーダ）の説明です。

覚え方のポイント
RNN＝「前の情報を覚えて次に回す」。順番が大事なデータ（文章・音声）が得意です。

問31-4

RNNとLSTMに関する記述として、適切でないものを1つ選びなさい。

①RNNは、前の時点の情報を次の計算に引き継ぎ、順番のあるデータを扱うことができる。
②LSTMは、画像の局所的な特徴を畳み込みで取り出すことを主な目的として考案された。
③RNNは、系列が長くなると昔の情報が伝わりにくくなる勾配消失問題を抱えていた。
④LSTMは、ゲートの仕組みで情報を残すか忘れるかを調整し、長い系列を扱いやすくした。

答えと解説を見る

正解 ②LSTMは、画像の局所的な特徴を畳み込みで取り出すことを主な目的として考案された。

解説
RNN（再帰型ニューラルネットワーク）は、前の時点の計算結果を次の計算に引き継ぐことで、文章や音声のような順番のあるデータを扱えるようにしたモデルです。しかし、系列が長くなると誤差（勾配）が伝わるうちに非常に小さくなり、昔の情報を学習しにくくなる勾配消失問題がありました。
LSTM（長・短期記憶）は、RNNの一種で、ゲートという仕組みで情報を残すか忘れるかを調整し、この問題を緩和したモデルです。画像の局所的な特徴を畳み込みで取り出すのはCNNの特徴であり、この記述は適切ではありません。

他の選択肢（適切な記述）について
・前の時点の情報を引き継いで順番のあるデータを扱う：RNNの説明です。
・勾配消失問題を抱えていた：系列が長いと、遠い過去の情報が学習に反映されにくくなる問題です。
・ゲートで情報を残すか忘れるかを調整する：LSTMの説明です。

覚え方のポイント
RNN・LSTM＝順番のあるデータ（文章・音声）、CNN＝画像。担当分野を取り違えないこと。

問41-4

LSTM（長・短期記憶）の説明として、最も適切なものを1つ選びなさい。

①本物と偽物を見分ける識別器だけで構成し、生成器を使わずに画像を作り出す生成モデルの一種
②画像の一部分ずつにフィルタを当てて、物体の形を段階的にとらえることを得意とするCNNの一種
③ゲートという仕組みで情報を残すか忘れるかを調整し、長い系列の情報を扱いやすくしたRNNの一種
④入力の中のどこに注目するかを計算するAttentionだけで構成した、2017年発表のモデルの一種

答えと解説を見る

正解 ③ゲートという仕組みで情報を残すか忘れるかを調整し、長い系列の情報を扱いやすくしたRNNの一種

解説
LSTM（Long Short-Term Memory：長・短期記憶）は、RNNの一種で、1997年に提案されました。情報を残すか、忘れるか、出力するかを調整する「ゲート」という仕組みを持ち、長い系列の中でも必要な情報を保ちやすくしています。
これにより、RNNの弱点だった勾配消失問題が緩和され、長い文章の文脈を扱いやすくなりました。機械翻訳や音声認識で広く使われましたが、その後、並列処理が得意なTransformerが主流になっていきました。

他の選択肢が不適切な理由
・フィルタで物体の形をとらえるCNNの一種：LSTMはRNNの一種で、CNNではありません。
・識別器だけで画像を作る：そのような生成モデルではありません。GANは生成器と識別器の両方を使います。
・Attentionだけで構成した2017年のモデル：Transformerの説明です。

覚え方のポイント
LSTM＝「忘れるべきことは忘れ、大事なことは覚えておくゲート付きのRNN」。

問51-4

VAE（変分オートエンコーダ）の説明として、最も適切なものを1つ選びなさい。

①エンコーダでデータを潜在ベクトルへ圧縮し、デコーダで戻す仕組みを使って新しいデータを生成する。
②生成器と識別器という2つのネットワークを競わせて、本物そっくりのデータを作り出すことを目指す。
③データにノイズを少しずつ加えていく過程を逆にたどり、ノイズから画像を少しずつ作り出していく。
④前の時点の情報を次の計算に引き継ぎながら、文章のような順番のあるデータを1つずつ作っていく。

答えと解説を見る

正解 ①エンコーダでデータを潜在ベクトルへ圧縮し、デコーダで戻す仕組みを使って新しいデータを生成する。

解説
VAE（Variational AutoEncoder：変分オートエンコーダ）は、2013年に提案された生成モデルです。入力データをエンコーダ（符号化器）で潜在ベクトル（データの特徴を少ない数値で表したもの）へ圧縮し、デコーダ（復号器）でそこから元のデータを復元するように学習します。
VAEでは、潜在ベクトルを確率的な分布として扱うため、学習後に潜在空間から値を取り出してデコーダに通すことで、学習データに似た新しいデータを生成できます。

他の選択肢が不適切な理由
・生成器と識別器を競わせる：GAN（敵対的生成ネットワーク）の説明です。
・ノイズを加える過程を逆にたどる：拡散モデルの説明です。
・前の時点の情報を引き継いで順に作る：RNNのような自己回帰的な生成の説明です。

覚え方のポイント
VAE＝「ぎゅっと圧縮（エンコード）→ ふわっと展開（デコード）」。圧縮した特徴（潜在ベクトル）から新しいものを生み出します。

問61-4

GAN（敵対的生成ネットワーク）の仕組みとして、最も適切なものを1つ選びなさい。

①人間が作った規則をもとに、本物らしいデータを1件ずつ手作業で作らせて学習する。
②1つのネットワークが、入力を圧縮してから元に戻す練習だけを繰り返して学習する。
③本物らしいデータを作る生成器と、本物か偽物かを見分ける識別器を競わせて学ぶ。
④大量の文章を読ませて、次に来る単語を予測する練習だけを繰り返して学習する。

答えと解説を見る

正解 ③本物らしいデータを作る生成器と、本物か偽物かを見分ける識別器を競わせて学ぶ。

解説
GAN（Generative Adversarial Network：敵対的生成ネットワーク）は、2014年にイアン・グッドフェローらが提案した生成モデルです。本物らしいデータを作り出す生成器（Generator）と、与えられたデータが本物か生成器が作った偽物かを見分ける識別器（Discriminator）を、互いに競わせながら学習させます。
生成器は識別器をだませるよう、識別器は見破れるよう腕を磨き合うことで、非常にリアルな画像を生成できるようになりました。一方で、本物と見分けがつかない偽の画像や動画（ディープフェイク）の悪用も問題になっています。

他の選択肢が不適切な理由
・入力を圧縮して元に戻す練習：オートエンコーダやVAEの説明です。
・人間が規則で手作業で作らせる：GANはデータから学習するニューラルネットワークです。
・次の単語を予測する練習：LLMの事前学習の説明です。

覚え方のポイント
GAN＝「偽札を作る者（生成器）と見破る警察（識別器）のいたちごっこ」で上達します。

問71-4

生成系AI（生成モデル）の例として、適切でないものを1つ選びなさい。

①ノイズを少しずつ取り除いて画像を作り出す拡散モデル
②潜在ベクトルからデータを復元して新しいデータを作るVAE
③生成器と識別器を競わせて本物らしい画像を作るGAN
④受信したメールが迷惑メールかどうかを判定する分類モデル

答えと解説を見る

正解 ④受信したメールが迷惑メールかどうかを判定する分類モデル

解説
生成系AI（生成モデル）は、データの特徴や分布を学習し、それをもとに新しいデータ（文章・画像・音声など）を作り出すAIです。VAE（変分オートエンコーダ）、GAN（敵対的生成ネットワーク）、拡散モデル、LLMなどが代表例です。
受信したメールが迷惑メールかどうかを判定する分類モデルは、入力が決められたカテゴリーのどれに当たるかを判定する識別系AI（識別モデル）であり、生成系AIの例ではありません。

他の選択肢（適切な記述）について
・VAE：データを潜在ベクトルへ圧縮し、デコーダで復元する仕組みを使って新しいデータを生成するモデルです。
・GAN：生成器と識別器を競わせて学習する生成モデルです。
・拡散モデル：ノイズを加える過程を学び、その逆にノイズを取り除いて画像を作る生成モデルです。

覚え方のポイント
「判定する」は識別系、「作り出す」は生成系。動詞で見分けましょう。

問81-4

CNN（畳み込みニューラルネットワーク）に関する記述として、適切でないものを1つ選びなさい。

①畳み込みでは、小さなフィルタを画像の上でずらしながら当てて、特徴を取り出す。
②CNNは、文章の前後の単語の関係だけを扱うために作られ、画像には使われない。
③層を重ねるごとに、線や模様から物体の形へと、より抽象的な特徴をとらえていく。
④画像の認識や物体の検出など、コンピュータビジョンの分野で広く使われている。

答えと解説を見る

正解 ②CNNは、文章の前後の単語の関係だけを扱うために作られ、画像には使われない。

解説
CNN（畳み込みニューラルネットワーク）は、小さなフィルタを画像の上で少しずつずらしながら当てる「畳み込み」の処理で、輪郭や模様などの局所的な特徴を取り出し、層を重ねるごとに、より抽象的な特徴（目や耳の形、物体全体など）をとらえるモデルです。
画像の認識や物体の検出など、コンピュータビジョンの分野で大きな成果を上げました。「画像には使われない」という記述は適切ではありません。文章のような順番のあるデータを扱うモデルとしては、RNNやTransformerが知られています。

他の選択肢（適切な記述）について
・フィルタをずらしながら当てて特徴を取り出す：畳み込みの説明です。
・層を重ねるごとに抽象的な特徴をとらえる：CNNが画像の認識に強い理由です。
・コンピュータビジョンで広く使われる：CNNの代表的な活用分野です。

覚え方のポイント
CNN＝画像の専門家。「畳み込み」で小さな窓から特徴を拾います。

問91-4

Attention（注意機構）の考え方として、最も適切なものを1つ選びなさい。

①入力のすべての部分を同じ重みで平均して、どの部分も等しく扱いながら処理する。
②前の時点の情報を順に引き継ぎ、系列の最後の状態だけから出力を作っていく。
③入力のどの部分が重要かに応じて重みを付け、関係の深い情報に注目して処理する。
④入力を小さな区画に分け、フィルタを当てて局所的な特徴だけを取り出していく。

答えと解説を見る

正解 ③入力のどの部分が重要かに応じて重みを付け、関係の深い情報に注目して処理する。

解説
Attention（注意機構）は、入力の中のどの部分が、いま処理している部分にとって重要かを計算し、関係の深い情報により大きな重みを付けて処理する仕組みです。
たとえば翻訳では、訳している単語ごとに、元の文のどの単語に注目すべきかを自動的に判断します。2017年には、このAttentionを中心に組み立てたTransformerが発表され、文章中の離れた単語どうしの関係もとらえやすくなり、現在のLLMの土台になりました。

他の選択肢が不適切な理由
・前の時点の情報を順に引き継ぐ：RNNの考え方です。Attentionは、入力のどの部分にも直接注目できます。
・すべての部分を同じ重みで平均する：Attentionは逆に、関係の深い部分ほど大きな重みを付けて注目します。
・フィルタで局所的な特徴を取り出す：CNNの畳み込みの考え方です。

覚え方のポイント
Attention＝「今の作業に関係の深いところに、スポットライトを当てる」。Transformerの心臓部です。

問101-4

代表的なモデルに関する次の記述a〜dのうち、適切なものの組合せを1つ選びなさい。
a．CNNは、文章の順番を扱うために考案された再帰型のネットワークである。
b．VAEは、本物と偽物を見分ける識別だけを目的とした識別モデルである。
c．GANは、生成器と識別器を競わせて学習する生成モデルである。
d．LSTMは、ゲートの仕組みで長い系列の情報を扱いやすくしたモデルである。

①b・d
②a・b
③a・c
④c・d

答えと解説を見る

正解 ④c・d

解説
cとdが適切です。
c：GANは、本物らしいデータを作る生成器と、本物か偽物かを見分ける識別器を競わせて学習する生成モデルです。
d：LSTMは、情報を残すか忘れるかを調整するゲートの仕組みを持つRNNの一種で、長い系列の情報を扱いやすくしたモデルです。

誤っている記述
・a：CNNは畳み込みの処理で画像などの特徴を取り出すネットワークです。順番のあるデータを扱う再帰型のネットワークはRNNです。
・b：VAEは、データを潜在ベクトルに圧縮して復元する仕組みを使い、新しいデータを作り出す生成モデルです。

覚え方のポイント
CNN＝画像、RNN・LSTM＝順番のあるデータ、VAE・GAN＝生成。モデルと得意分野をセットで整理しましょう。

「生成AIパスポート」は一般社団法人生成AI活用普及協会の登録商標です。本ページは一般社団法人生成AI活用普及協会（GUGA）とは一切関係がなく、公認・認定を受けた教材ではありません。

生成AIパスポートの対策問題（全410問）に戻る

非公式の資格試験対策サイトです。一般社団法人生成AI活用普及協会（GUGA）とは一切関係がなく、GUGAの公認・認定を受けた教材ではありません。

※本ページでは、アクセス解析（Googleアナリティクス）と、広告の配信・成果の計測（A8.net）のためにCookie等を利用し、閲覧に関する情報をGoogle LLC・株式会社ファンコミュニケーションズへ送信しています。詳しくはプライバシーポリシーをご覧ください。

※本ページの問題・解説は、生成AI（人工知能）を活用して作成しています。