AIの基礎概念と歴史応用問題
時系列予測タスクで、長期的な依存関係を捉える際に通常のLSTMが困難を示した場合、改善策として最も適切なのはどれですか？
A.LSTM層の隠れ状態のサイズを5倍に拡大し、より多くの情報を保持させる
✗ 隠れ状態サイズの拡大は計算コストを増やすだけで、長期依存問題を根本的には解決しません。
B.Attention機構やTransformerを導入し、遠く離れた時系列上の点間の関係を直接的に捉える← 正解
✓ 正解です。Attention機構とTransformerは任意の距離の依存関係を並列的に学習でき、長期依存問題に特に効果的です。
C.訓練データを元の時間スケールの10倍に拡張し、より細かい時間粒度で学習させる
✗ 時系列データの時間粒度を変更しても、モデルが長期パターンを認識する能力は向上しません。
D.LSTMを多層化（8層以上）し、深いネットワークにすることで長期依存を自動的に学習させる
✗ 層を深くしすぎると勾配消失や訓練の困難さが増し、かえって悪化する可能性が高いです。
「AIの基礎概念と歴史」の他の問題
機械学習モデルが訓練データに過度に適合し、テストデータでの性能が低下した場合、このような状況を改善するためには、次のうち…深層学習モデルが新しいドメイン（異なるデータ分布）に対応する際、事前学習済みモデルを使用した転移学習を適用する場合、モデ…勾配消失問題が発生している深層ニューラルネットワークを改善する場合、次のうちどの施策の組み合わせが最も効果的ですか？自然言語処理タスクで、訓練データが極めて限定的な場合、次のうちどのアプローチが最も実用的ですか？画像分類モデルが特定のクラスに対して極めて高い確信度（90%以上の予測確率）を返しても、実際には予測が外れている場合が頻…機械学習モデルの訓練データが8,000サンプル、検証データが2,000サンプル、テストデータが1,000サンプルの場合、…