深層学習（ディープラーニング）誤り発見
以下の正則化とその効果に関する記述について、誤っているものはどれか？
A.L1正則化は重みの絶対値の和をペナルティとして加え、疎な重みベクトル（多くの重みが0になる）を生成する傾向がある
✓ この記述は正しい。L1正則化（Lasso）はスパーシティを導入し、不要な特徴を自動的に選択除外します。
B.L2正則化はすべての重みに対して均等なペナルティを与え、重みの値を全体的に小さくする方向に作用する
✓ この記述は正しい。L2正則化（Ridge）は重み減衰とも呼ばれ、重みの大きさを全体的に制限します。
C.Dropoutは訓練中にランダムにニューロンを無効化することで、ニューラルネットワークの過学習を防ぐ
✓ この記述は正しい。Dropoutは、各訓練バッチで異なるニューロンを確率的に削除し、アンサンブル効果を生み出します。
D.Early Stoppingは訓練データの損失が最小になるまで訓練を継続し、検証データ上での汎化性能を最大化する← 正解
✓ 正解です。この記述が誤りで、正しくは「Early Stoppingは検証データの損失が上昇に転じたときに訓練を中止し、過学習を防ぐ」です。訓練データの損失最小化ではなく、汎化性能を重視します。
「深層学習（ディープラーニング）」の他の問題
ニューラルネットワークの訓練中に勾配消失問題が発生した場合、以下の対策のうち最も直接的な解決策はどれか？CNN（畳み込みニューラルネットワーク）で過学習が顕著に発生した場合、以下の対策のうち最も効果的なのはどれか？RNN（再帰型ニューラルネットワーク）で長期の依存関係をモデル化する必要がある場合、標準的なRNNではなくLSTMやGR…画像分類タスクで訓練データセットが著しく不均衡（あるクラスが極端に少ない）な場合、モデルの性能を改善するために講じるべき…転移学習（Transfer Learning）で大規模な事前訓練済みモデルを利用する際、目的タスクのデータが非常に少ない…自然言語処理でAttention機構を導入した結果、以前のRNNモデルと比べて並列処理性能が向上した理由は何か？