G検定の練習問題（当サイト作成）

正解：ウ（学習データを覚え込みすぎて、新しいデータに当てはまりにくくなっている（過学習）。）　当サイトの解答

• ア × 誤り 精度が低いのは、学習不足が原因だと考えた

  学習不足なら、学習データでの精度も低いままです。学習データでは高く、検証データで下がるのは、学習データに合わせすぎた状態です。

• イ × 誤り 検証データの偏りのせいにした

  検証データの偏りが原因なら、学習中の検証損失の推移が説明できません。学習損失が下がるのに検証損失が上がり始めるのは、モデルが学習データを覚え込んでいるときの兆候です。

• ウ ○ 正しい

  過学習は、モデルが学習データに近づきすぎて、新しいデータの予測が悪くなる状態です。学習損失が下がるのに検証損失が上がり始めるのが、その兆候です。

• エ × 誤り データの性質（ラベルの有無）と過学習を結びつけた

  ラベルの有無は過学習の説明になりません。学習データでの精度が高いのだから、学習そのものはできています。

正解：ア（訓練に使ったデータのラベルをそのまま返すだけのモデルでも高得点になり、未知のデータでの性能が分からない。）　当サイトの解答

• ア ○ 正しい

  訓練に使ったデータで評価すると、ラベルを繰り返すだけのモデルでも満点になります。そのため、データの一部をテスト用に取り分けて評価します。

• イ × 誤り 評価データの量が問題だと考えた

  データの量が少ないと結果はぶれますが、ここでの問題はそれではありません。訓練に使ったデータで評価していることが問題です。

• ウ × 誤り 別データでの評価は、結果を甘くすると考えた

  別のデータで評価するのは、未知のデータでの性能を測るためです。訓練に使った同じデータで測るほうが、高く出すぎます。

• エ × 誤り 高い精度を、そのまま良いモデルの印と考えた

  訓練データでの高精度は、良いモデルの証拠になりません。ラベルを覚えただけでも満点になります。

正解：エ（適合率。迷惑メールと予測したもののうち、実際に迷惑メールだった割合。）　当サイトの解答

• ア × 誤り 「迷惑メールを見つけ切る」ことと「誤判定を減らす」ことを同じに考えた

  感度は、実際の陽性（迷惑メール）をどれだけ見つけたかを表します。普通のメールを迷惑メールと誤判定することの少なさは表しません。

• イ × 誤り 全体の当たりの多さが、誤判定の少なさを表すと考えた

  正解率は全体の当たりの割合です。普通のメールが大半だと、誤判定が目立っても高く出るので、誤判定の少なさを見る指標には向きません。

• ウ × 誤り まとめの指標を見れば、誤判定の少なさも十分に分かると考えた

  F値は適合率と感度を合わせた指標で、誤判定の少なさだけを見るものではありません。誤判定を減らしたいことを直接表すのは、適合率です。

• エ ○ 正しい

  適合率は tp/(tp+fp) で、陰性のものを陽性と判定しない能力を表します。普通のメールを迷惑メールと誤判定するのを減らしたいなら、この指標を見ます。

正解：イ（教師あり学習）　当サイトの解答

• ア × 誤り 予測を行う学習は、すべて教師なし学習だと考えた

  教師なし学習は、答え（ラベル）のないデータから構造を見つける方法です。ここでは「不正／正常」という答えが付いたデータで訓練しています。

• イ ○ 正しい

  特徴量と、予測させたい答え（ラベル）が付いたデータで訓練し、新しいデータのラベルを予測するのは、教師あり学習です。

• ウ × 誤り 予測が当たったかどうかを学ぶので強化学習だと考えた

  強化学習は、行動に対する報酬をもとに学ぶ方法です。ここでは、ラベル付きの過去データを使って訓練しています。

• エ × 誤り データを「不正」「正常」の2つに分けるので、クラスタリングだと考えた

  クラスタリングは、ラベルを使わずにデータをグループに分ける方法です。ここは、ラベル付きで訓練して予測する場面です。

正解：ウ（畳み込みニューラルネットワーク（CNN）。画像から特徴を取り出す層を重ねる手法。）　当サイトの解答

• ア × 誤り 予測の手法なら何でも画像に使えると考えた

  線形回帰は、数値を予測するための基本的な手法です。畳み込み層やプーリング層は使いません。

• イ × 誤り 分類とクラスタリングを同じものと考えた

  k-means 法はクラスタリングで、畳み込み層もプーリング層も使いません。種類のラベルを付けて分類する場面にも合いません。

• ウ ○ 正しい

  CNN は、畳み込み層（Conv2D）とプーリング層（MaxPooling2D）を積み重ねる構成で、画像の分類に使われます。

• エ × 誤り 画像の中の「組み合わせ」を見る手法だと考えた

  アソシエーション分析は、よく一緒に起きる事柄の組み合わせを見つける手法です。画像を分類する手法ではありません。

正解：イ（提供事業者が入力された個人データを機械学習に利用しないかなどを、あらかじめ確認する。）　当サイトの解答

• ア × 誤り 自然な文章なら内容も正確だと考えた

  注意喚起は、事業者に対して、個人データを機械学習に利用しないことなどの確認を求めています。回答の文章が正確だという前提は置いていません（一般の利用者向けの留意点では、確率的な相関で作られるため不正確な個人情報が含まれるおそれがあるとしています）。

• イ ○ 正しい

  同意なく個人データを入力し、回答の出力以外の目的で扱われると、個人情報保護法に違反するおそれがあります。そのため、機械学習に利用しないこと等を確認します。

• ウ × 誤り 規約の確認は提供側だけの責任だと考えた

  注意喚起は、個人データを入力する事業者に、提供事業者が機械学習に利用しないことなどの確認を求めています。一般の利用者向けの留意点でも、利用規約やプライバシーポリシーの確認を求めています。

• エ × 誤り 社内利用なら、利用目的の制限を受けないと考えた

  個人情報を入力するときは、特定された利用目的を達成するために必要な範囲内であることを確認する必要があります。

正解：エ（作品の創作的表現を出力させる目的は享受目的が併存するので、30条の4は適用されない。）　当サイトの解答

• ア × 誤り AI学習なら、目的を問わず自由に使えると考えた

  30条の4は、思想または感情を享受することを目的としない場合が対象です。複数の目的のうち1つでも享受目的があれば、適用されません。

• イ × 誤り AI学習は、すべて許諾が要ると考えた

  情報解析の用に供する場合など、享受を目的としない利用は、30条の4の対象になり得ます。許諾が一律に必要というわけではありません。

• ウ × 誤り 権利者が嫌だと言えば、制限規定が外れると考えた

  考え方は、権利者が反対の意思を示していること自体で、制限規定の対象から外れると解釈するのは難しいとしています。

• エ ○ 正しい

  創作的表現を出力させる目的の追加学習は、非享受目的と享受目的が併存すると評価され、30条の4は適用されないと考えられています。

正解：ア（既存のイラストを認識して作らせているので依拠性が認められ、利用者の著作権侵害が成立し得る。）　当サイトの解答

• ア ○ 正しい

  利用者が既存の著作物を認識し、その創作的表現を持つものを生成させた場合、依拠性が認められ、利用者の著作権侵害が成立すると考えられています。

• イ × 誤り 作ったのがAIなら、利用者の行為ではないと考えた

  考え方は、生成AIを使っても、利用者が既存の著作物を認識して生成させた場合は依拠性が認められるとしています。

• ウ × 誤り AIで作れば、著作権の対象外になると考えた

  類似性と依拠性が認められれば、AIを使った生成物でも著作権侵害になり得ます。

• エ × 誤り 依拠性は、題号などの名前を入れたときに限ると考えた

  考え方は、既存の著作物そのものを入力する場合を、依拠性が認められる例として挙げています。固有名詞の入力は、その別の例です。

正解：ウ（作風はアイデアに当たり、保護されない。創作的表現が共通しないなら、作風が似ているだけで著作権侵害とはいえない。）　当サイトの解答

• ア × 誤り 作風も著作物のうちだと考えた

  著作権法は、思想や作風などのアイデアを保護しません。創作的表現が共通していなければ、作風が似ているだけでは著作権侵害といえません。

• イ × 誤り 学習の事実があれば、侵害が決まると考えた

  侵害かどうかは、生成物と既存の著作物の創作的表現が共通するかどうかなどで考えます。学習したことだけでは決まりません。

• ウ ○ 正しい

  著作権法は創作的表現を保護し、作風などのアイデアは保護しないとされています。創作的表現が共通しない生成物は、作風が似ていても著作権侵害といえません。

• エ × 誤り AI生成物は、著作権法の外にあると考えた

  AIが作った画像でも、類似性と依拠性が認められれば著作権侵害になり得ます。著作権法の適用の外にあるわけではありません。

正解：イ（高リスクに当たり、リスク評価、ログの記録、人による監督などの厳しい義務が求められる。）　当サイトの解答

• ア × 誤り 採用に関わるAIは、すべて禁止されると考えた

  禁止されるのは、社会的スコアリングなどの許容できないリスクです。採用向けの履歴書選別は、禁止ではなく高リスクの例として挙げられています。

• イ ○ 正しい

  EUの説明では、履歴書の選別を行う採用向けのAIは高リスクの例です。リスクの評価と低減、ログの記録、人による監督などの義務が課されます。なお、EUの説明では、雇用などの高リスクの義務の適用開始は2027年12月2日とされています。

• ウ × 誤り 透明性の義務だけで足りると考えた

  AIと対話していることの表示などを求めるのは、チャットボットなどの透明性のリスクです。採用向けのAIは、より重い義務がある高リスクです。

• エ × 誤り 採用の選別は、日常的なAIと同じ扱いだと考えた

  規則の規制を受けないのは、ビデオゲームやスパムフィルターのような最小限のリスクです。採用向けのAIは当てはまりません。