ある部品メーカーは、製品画像による外観検査を機械学習で自動化してきた。これまでは技術者が傷の長さや色むらの濃さなどの特徴量を設計し、その値をモデルに入力していた。今回、隠れ層を何層も重ねたディープラーニングのモデルに切り替える。この切り替えに関する説明として、最も適切なものを1つ選べ。
正解と解説を見る
解説
正解 B
この問題の論点：ディープラーニングと特徴量設計
ポイント
ディープラーニングは、隠れ層を重ねて判定に役立つ特徴を学習で獲得します。その分、大量のデータと計算資源が必要になり、判定の根拠も見えにくくなります。
選択肢ごとの解説
- A
不適切
深いネットワークは調整する重みが多く、一般に大量のデータが必要です。データが少ないと過学習しやすくなります。少量で済ませたいときは、事前学習済みモデルを使う転移学習などを検討します。
- B
適切 正解
入力層に近い隠れ層は輪郭のような単純な特徴を、深い層はそれらを組み合わせた複雑な特徴を捉えます。特徴は学習で獲得されるため、人による特徴量設計への依存を減らせます。
- C
不適切
隠れ層の特徴は多数の重みの組み合わせで表され、人が意味を読み取るのは困難です。判定の根拠が見えにくいブラックボックスになりやすく、説明が必要な場面では説明手法を併用します。
- D
不適切
層を重ねると、重みの数も行列演算の量も大きく増えます。学習には、大量の行列演算を並列に処理できるGPUなどが必要になることが多く、計算資源は計画の段階で見直します。
試験での狙われ方
従来の機械学習との違いを、特徴量の設計、必要なデータ量、計算資源、説明のしやすさの観点で比べさせる形が考えられます。
参考
- G検定 試験出題範囲（シラバス2024）第1.4版 （技術分野 項目11 ニューラルネットワークとディープラーニング）
- LeCun, Bengio, Hinton, Deep learning, Nature 521 (2015)